Extracción automática de datos de documentos con Amazon Textract - OCR, análisis de tablas y reconocimiento de formularios

Explicamos la extracción de texto de documentos con Textract, el análisis de estructuras de tablas y la extracción de pares clave-valor de formularios.

Unos 8 min de lecturaÚltima actualización: 2026-10-31

Descripción general de Textract

Textract es un servicio OCR que extrae automáticamente texto, tablas y datos de formularios de documentos, soportando PDFs de hasta 3,000 páginas e imágenes de hasta 10 MB. Mientras que el OCR tradicional solo reconoce la posición y los caracteres del texto, Textract comprende la estructura de filas y columnas de las tablas y la relación entre etiquetas y valores de los formularios. La función Queries extrae respuestas a preguntas específicas de los documentos, y AnalyzeExpense estructura los detalles de las facturas.

Análisis de tablas y Queries

La función Tables de la API AnalyzeDocument reconoce las filas y columnas de las tablas y devuelve el contenido de las celdas como datos estructurados. También analiza correctamente las celdas combinadas y las filas de encabezado. La función Forms empareja automáticamente las etiquetas de formularios ("Nombre", "Dirección", "Teléfono") con sus valores correspondientes. Queries plantea preguntas en lenguaje natural al documento y extrae respuestas a preguntas como "¿Cuál es el nombre del paciente?" o "¿Cuál es el monto total?". AnalyzeExpense está especializado en recibos y facturas, clasificando automáticamente el nombre del proveedor, la fecha, el monto total, los impuestos y las líneas de detalle.

AnalyzeExpense y Lending

La API AnalyzeExpense está especializada en facturas y recibos, extrayendo como datos estructurados el nombre del proveedor, la fecha de facturación, el monto total y las líneas de detalle (nombre del artículo, cantidad, precio unitario). También maneja recibos escritos a mano y facturas de múltiples páginas, y puede utilizarse para la automatización de la liquidación de gastos. La API AnalyzeLending está especializada en documentos de préstamos como hipotecas, clasificando automáticamente tipos de documentos como solicitudes, certificados de ingresos y tasaciones inmobiliarias, y luego extrayendo campos de cada documento. Con la API asíncrona (StartDocumentAnalysis), puede construir pipelines que procesan grandes volúmenes de documentos por lotes y generan resultados en S3. Se integra con A2I (Augmented AI) para implementar flujos de trabajo que envían resultados de extracción con baja puntuación de confianza a revisión humana.

Optimización de precios de Textract

Los precios de Textract se basan en el tipo de API y el número de páginas. DetectDocumentText (solo extracción de texto) cuesta aproximadamente 1.50 USD por 1,000 páginas, AnalyzeDocument (análisis de tablas y formularios) aproximadamente 15 USD, y Queries aproximadamente 0.015 USD por consulta (a fecha de agosto de 2026). AnalyzeExpense cuesta aproximadamente 10 USD por 1,000 páginas. Cuando solo se necesita extracción de texto, use DetectDocumentText, y use AnalyzeDocument solo cuando se requiera análisis de estructura de tablas o formularios para optimizar costos. El preprocesamiento de documentos para excluir páginas innecesarias (páginas en blanco, portadas) reduce el número de páginas procesadas. La API asíncrona para procesamiento por lotes tiene el mismo precio que la API en tiempo real, pero es efectiva para evitar el throttling durante el procesamiento masivo.

Procesamiento asíncrono y diseño de pipelines

Cuando se manejan grandes volúmenes de documentos, el pipeline se construye en torno a la API asíncrona. El flujo consiste en iniciar el análisis a partir de la carga en S3, recibir la notificación de finalización mediante SNS, obtener los resultados y pasarlos al procesamiento posterior. Si el procesamiento que abarca varios pasos se orquesta con Step Functions, la gestión del estado de cada etapa y la reejecución en caso de error quedan claras. En situaciones que requieren rendimiento, se tienen en cuenta los límites de ejecución simultánea y de throttling, y la entrada se envía a un ritmo adecuado. Al construirlo de forma desacoplada y basada en eventos, se puede responder con flexibilidad a los aumentos y disminuciones del volumen de procesamiento.

Verificación y posprocesamiento de los resultados de extracción

La salida de Textract incluye una puntuación de confianza para cada elemento. Con ella, se diseña una clasificación en la que los resultados que quedan por debajo del umbral pasan a revisión manual y los que son suficientemente altos se aceptan automáticamente. Los valores extraídos se guardan después de normalizar el formato de fechas e importes y de pasar comprobaciones de validez según las reglas de negocio. Por ejemplo, si se añaden verificaciones como comprobar que el monto total coincide con las líneas de detalle, los errores se pueden detectar de forma temprana. Al almacenar los datos ya formateados en DynamoDB u otro servicio y ponerlos a disposición de los sistemas de negocio posteriores, todo el proceso, desde la extracción hasta el aprovechamiento, se puede realizar de principio a fin.

Combinación con la revisión humana

Incluso con documentos en los que la automatización completa es difícil, si las personas revisan solo las partes con baja confianza, se puede mantener la eficiencia del procesamiento en su conjunto. Si se incorpora Augmented AI (A2I), se puede construir un flujo que presenta automáticamente a los revisores los resultados de extracción que quedan por debajo del umbral y refleja las correcciones en los datos. Si se acumulan los resultados de la revisión manual, se ven las tendencias sobre qué elementos de qué formularios tienden a tener errores, lo que puede llevar a mejorar la entrada y revisar las reglas. Lo realista es un diseño que no consiste ni en que las personas lo revisen todo ni en dejarlo todo en manos de las máquinas, sino en combinar los puntos fuertes de ambos.

Mejoras en la entrada para aumentar la precisión

La precisión de la extracción depende en gran medida de la calidad de los documentos de entrada. En las imágenes escaneadas, asegurar una resolución suficiente, corregir la inclinación y la distorsión, y reducir las sombras y la suciedad aumenta la tasa de reconocimiento. En los documentos de varias páginas, eliminar en el preprocesamiento las páginas innecesarias, como portadas y páginas en blanco, reduce el número de páginas procesadas y también contiene los costos. En los formularios con un formato fijo, si se identifican de antemano los elementos que se quieren extraer y se apunta a ellos con Queries, se pueden obtener los valores necesarios sin desperdicio. Preparar bien la entrada es un atajo para reducir la carga de verificación en las etapas posteriores.

Resumen

Textract es un servicio OCR avanzado que, además de la extracción de texto, comprende la estructura de tablas y los pares clave-valor de formularios. Queries extrae respuestas a preguntas específicas de los documentos, y AnalyzeExpense estructura los detalles de las facturas. AnalyzeLending realiza la clasificación y extracción automática de documentos de préstamos, y la integración con A2I permite construir flujos de trabajo que envían resultados de baja confianza a revisión humana.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Entrenamiento de machine learning basado en GPU con AWS Batch - Entrenamiento a gran escala con eficiencia de costosEjecute entrenamiento GPU con sus contenedores Docker existentes y reduzca costos hasta un 90% usando instancias Spot y checkpointing. Incluye orientación sobre cuándo elegir Batch sobre SageMaker.Uso de Claude en Amazon Bedrock - Selección de modelos, diseño de prompts y optimización de costosComparamos los modelos Anthropic Claude disponibles en Amazon Bedrock, proporcionamos directrices de selección de modelos por caso de uso y cubrimos mejores prácticas de diseño de prompts y optimización de costos.Construcción de aplicaciones RAG con Amazon Bedrock Knowledge Bases - Implementación de generación aumentada por recuperaciónIndexe automáticamente documentos en S3 y unifique búsqueda y generación con la API RetrieveAndGenerate. Cubre la selección de estrategia de chunking y la seguridad con Guardrails.Primeros pasos con computación cuántica en Amazon Braket - Diseño y simulación de circuitos cuánticosCree prototipos gratis con el simulador local y ejecute circuitos cuánticos en el hardware real de IonQ y Rigetti. Presentamos técnicas para implementar VQE y QAOA con Hybrid Jobs.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Procesamiento de lenguaje natural con Amazon Comprehend - Análisis de sentimiento y extracción de entidadesExplicamos el análisis de sentimiento, la extracción de entidades y la construcción de modelos de clasificación personalizados con Comprehend.Construcción de bots conversacionales - Interfaces de conversación natural con Amazon Lex y PollyAprenda a construir bots conversacionales utilizando Amazon Lex y Amazon Polly.Extracción de texto de documentos - Procesamiento inteligente de documentos con Amazon TextractExplicamos la extracción automática de texto, tablas y datos de formularios de documentos con Amazon Textract, y la construcción de pipelines de procesamiento de lenguaje natural en combinación con Amazon Comprehend. Presentamos patrones de automatización para procesamiento de facturas y análisis de contratos.