使用 Amazon Textract 从文档中自动提取数据 - OCR、表格解析与表单识别
解析 Textract 的文档文本提取、表格结构解析以及表单键值对提取。
Textract 概述
Textract 是一项从文档中自动提取文本、表格和表单数据的 OCR 服务，支持最大 3,000 页的 PDF 和最大 10 MB 的图像。与传统 OCR 仅识别文本位置和字符不同，Textract 能理解表格的行列结构和表单标签与值的关系。Queries 功能可从文档中提取特定问题的答案，AnalyzeExpense 可将发票明细结构化。
表格解析与 Queries
AnalyzeDocument API 的 Tables 功能识别表格的行和列，将单元格内容作为结构化数据返回。合并单元格和标题行也能正确解析。Forms 功能自动配对表单的标签（「姓名」「地址」「电话号码」）与对应的值。Queries 以自然语言向文档提问，提取「患者姓名是？」「总金额是？」等问题的答案。AnalyzeExpense 专门针对收据和发票，自动分类供应商名称、日期、总金额、税额和明细行。
AnalyzeExpense 与 Lending
AnalyzeExpense API 专门针对发票和收据，将供应商名称、开票日期、总金额、明细行（品名、数量、单价）作为结构化数据提取。支持手写收据和多页发票，可用于费用报销自动化。AnalyzeLending API 专门针对住房贷款等融资文件，自动分类申请表、收入证明、房产评估报告等文档类型后提取各文件的字段。通过异步 API（StartDocumentAnalysis）可批量处理大量文档，构建将结果输出到 S3 的管道。与 A2I（Augmented AI）集成，可实现将置信度分数较低的提取结果路由到人工审核工作流。
Textract 的成本优化
Textract 按 API 类型和页数计费。DetectDocumentText（仅文本提取）每 1,000 页约 1.50 美元，AnalyzeDocument（表格/表单解析）约 15 美元，Queries 每个查询约 0.015 美元（截至 2026 年 8 月）。AnalyzeExpense 每 1,000 页约 10 美元。仅需文本提取时使用 DetectDocumentText，仅在需要表格或表单结构解析时使用 AnalyzeDocument 以优化成本。通过文档预处理排除不必要的页面（空白页、封面）减少处理页数。批量处理的异步 API 与实时 API 价格相同，但在大量处理时可有效避免限流。
异步处理与管道设计
处理大量文档时，以异步 API 为中心构建管道。流程是：以上传到 S3 为触发开始分析，通过 SNS 接收完成通知，获取结果后交给后续处理。跨越多个步骤的处理如果用 Step Functions 进行编排，各阶段的状态管理和出错时的重新执行就会变得清晰。在需要吞吐量的场景中，要注意并发执行数和限流的上限，以合适的节奏投入输入。通过以事件驱动的方式进行松耦合的构建，可以灵活应对处理量的增减。
提取结果的验证与后处理
Textract 的输出中附有每个项目的置信度分数。利用该分数设计分流：低于阈值的结果转给人工确认，足够高的结果自动接受。提取出的值要先统一日期和金额的格式，并通过对照业务规则的合理性检查后再保存。例如，加入核算总金额与明细是否一致之类的验证，就能及早剔除错误。将整理好的数据存入 DynamoDB 等，供后续的业务系统使用，就能实现从提取到利用的端到端处理。
与人工审核的结合
即使是难以完全自动化的文件，只要由人确认置信度低的部分，就能保持整体的处理效率。引入 Augmented AI（A2I）后，可以构建这样的流程：将低于阈值的提取结果自动提交给审核人员，并把修正结果反映到数据中。积累人工确认的结果后，就能看出哪些单据的哪些项目容易出错的倾向，从而用于改进输入和修订规则。既不是全部由人查看，也不是全部交给机器，而是结合两者优势的设计才是现实的做法。
提高精度的输入技巧
提取精度在很大程度上取决于输入文档的质量。对于扫描图像，确保足够的分辨率、校正倾斜和变形、减少阴影和污渍，就能提高识别率。对于多页文件，在预处理中去除封面、空白页等不需要的页面，可以减少处理页数，也能控制成本。如果是格式固定的单据，事先掌握想要提取的项目，用 Queries 精准提取，就能毫无浪费地取出所需的值。整理好输入端，是降低后续工序验证负担的捷径。
总结
Textract 是一项除文本提取外还能理解表格结构和表单键值对的高级 OCR 服务。通过 Queries 从文档中提取特定问题的答案，通过 AnalyzeExpense 将发票明细结构化。通过 AnalyzeLending 进行融资文件的自动分类和提取，通过 A2I 集成构建将低置信度结果路由到人工审核的工作流。
参考资料（AWS 官方）
本页的第一手信息来源是 AWS 官方网站及官方文档。最新的规格与价格请以下列官方页面为准。
如本页内容与官方文档不一致，请以官方文档为准。