使用 Amazon Textract 自动化文档处理 - 从 OCR 到表单与表格提取
通过超越 OCR 的表单与表格结构识别，从发票、收据、身份证件中自动提取数据。同时介绍通过 A2I 集成人工审核。
Textract 的 API 体系
Textract 是基于机器学习的文档分析服务，除了文本之外，也提取表单和表格中的结构化数据。DetectDocumentText 是基本的 OCR 功能，从图像或 PDF 中按行和单词提取文本。AnalyzeDocument 是识别表单（键值对）和表格（行列结构）的分析功能。例如，从申请表上的“姓名：山田太郎”中，自动将键“姓名”与值“山田太郎”配对。AnalyzeExpense 是专门针对发票和收据的 API，将供应商名称、开票日期、合计金额、税额、明细行作为结构化数据提取。AnalyzeID 从美国政府签发的驾照、护照等证件中提取姓名、出生日期、地址等信息。
大量文档的异步处理
同步 API 支持单页图像，但在处理多页 PDF 或大量文档时使用异步 API。通过 StartDocumentTextDetection 或 StartDocumentAnalysis 开始处理，完成通知会发送到 SNS 主题。常用的是一种事件驱动的配置：由 Lambda 函数接收通知，并通过 GetDocumentTextDetection 或 GetDocumentAnalysis 获取结果。通过构建以向 S3 上传文档为触发器、由 Lambda 调用 Textract 并将提取结果存储到 DynamoDB 的管道，可以自动化文档处理。
提高精度与人工审核
Textract 的提取结果中，每个字段都附有置信度分数（0-100%）。对于置信度低于阈值的结果，可以使用 Amazon Augmented AI（A2I）路由到人工审核工作流。审核人员在 A2I 控制台中将原始文档与提取结果并排核对，并进行修正。修正的结果可以用于重新审视后续的处理。使用 Textract 的 Queries 功能，可以用自然语言指定问题（例如：“患者的名字是？”）从文档中提取特定信息，也可以处理表单结构不固定的文档。
Textract 的费用
Textract 的费用按 API 计量收费。DetectDocumentText（OCR）每页约 0.0015 美元，AnalyzeDocument（表单、表格）每页约 0.015 美元（截至 2026 年 8 月）。AnalyzeExpense（发票）每页约 0.01 美元，AnalyzeID（身份证件）每页约 0.01 美元（截至 2026 年 8 月）。Queries 功能在每页约 0.015 美元的基础上，每个查询另加约 0.005 美元。处理大量文档时，先用 DetectDocumentText 执行 OCR，仅对需要提取结构化数据的页面应用 AnalyzeDocument。通过这种两阶段处理可以降低费用。
身份证件处理与身份验证
AnalyzeID 从美国政府签发的驾照、护照等身份证件中，以结构化形式提取姓名、出生日期、地址、有效期等信息。它适合用于开户和会员注册时的身份验证（KYC），即从用户拍摄的证件中自动读取信息并填入输入表单。可以减少手动输入的工作量和错误，让注册体验变得顺畅。不过，由于处理的是敏感的个人信息，前提是彻底明示获取目的、管理保存期限、实施访问控制，并以可靠地删除不再需要的数据的方式运营。
通过与 Comprehend 集成理解含义
Textract 负责的范围到提取文字和结构为止，若要解读这些内容的含义，与 Comprehend 结合使用是有效的方法。如果将提取的文本传给 Comprehend，可以进行人名、组织名、日期等命名实体的提取、文档的分类、情感的判定等。此外，如果加入检测文档中的个人信息并进行遮盖的处理，可以在存储或共享之前保护敏感信息。通过让文字提取与含义理解分工，可以构建基于内容的自动处理管道。
利用坐标信息进行验证与高亮显示
Textract 的结果中包含坐标信息（边界框），表示提取的每个元素位于页面上的什么位置。使用这些信息时，会在原始文档图像上叠加显示提取位置，便于审核人员确认值是从哪个部分读取的。以位置信息为线索，还可以构建仅采用特定区域中所写的值之类的精细提取规则。由于可以将提取结果与原件在视觉上对应起来，便于推进确认工作以及误提取的发现与修正。
安全与合规
业务文档中经常包含个人信息或机密信息，因此处理平台的安全设计具有重要意义。对存储的文档和提取结果进行加密，并通过 IAM 将访问限制在最小权限。如果不希望经由互联网，可以通过 VPC 端点调用 Textract，将通信保持在封闭网络内。记录处理的各个阶段中谁访问了什么，以便能够进行审计。如果规定数据的保存期限，并建立可靠删除不再需要的原件和提取结果的机制，便于推进符合合规要求的文档处理。
总结
Textract 是一项基于文档结构提取数据的服务。它提供针对表单、表格、发票、身份证件等不同文档类型的专用 API，有助于减少手动输入的工作。如果通过与 A2I 的集成加入人工审核，也可以用于要求精度的业务流程。
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。