在 Spring Boot 中使用 Amazon Textract 從圖像中提取文本
1. 概述
企業通常需要從各種類型的影像中提取有意義的數據，例如處理費用追蹤的發票或收據、KYC（了解您的客戶）流程的身份文件或從表單中自動輸入資料。然而，手動從圖像中提取文字是一個耗時且昂貴的過程。
Amazon Textract提供自動化解決方案，使用機器學習從文件中提取列印文字和手寫資料。
在本教程中，我們將探討如何在 Spring Boot 應用程式中使用 Amazon Textract 從圖像中提取文字。我們將逐步完成必要的配置並實現從本地圖像檔案和 Amazon S3 中儲存的圖像中提取文字的功能。
2. 設定項目
在開始從圖像中提取文字之前，我們需要包含 SDK 依賴項並正確配置我們的應用程式。
2.1.依賴關係
首先，我們將Amazon Textract 相依性新增至專案的pom.xml檔案：
<dependency>
<groupId>software.amazon.awssdk</groupId>
<artifactId>textract</artifactId>
<version>2.27.5</version>
</dependency>此相依性為我們提供了TextractClient和其他相關類，我們將使用它們與 Textract 服務進行互動。
2.2.定義 AWS 配置屬性
現在，為了與 Textract 服務互動並從圖像中提取文本，**我們需要配置用於身份驗證的 AWS 憑證以及我們想要使用該服務的AWS 區域**。
我們將這些屬性儲存在專案的application.yaml檔案中，並使用@ConfigurationProperties將值對應到 POJO，我們的服務層在與 Textract 互動時引用該 POJO：
@Validated
@ConfigurationProperties(prefix = "com.baeldung.aws")
class AwsConfigurationProperties {
@NotBlank
private String region;
@NotBlank
private String accessKey;
@NotBlank
private String secretKey;
// standard setters and getters
}我們還添加了驗證註釋，以確保正確配置所有必需的屬性。如果任何定義的驗證失敗，Spring ApplicationContext將無法啟動。這使我們能夠遵守快速失敗原則。
以下是application.yaml檔案的片段，它定義了將自動對應到我們的AwsConfigurationProperties類別的所需屬性：
com:
baeldung:
aws:
region: ${AWS_REGION}
access-key: ${AWS_ACCESS_KEY}
secret-key: ${AWS_SECRET_KEY}我們使用${}屬性佔位符從環境變數載入屬性值。
因此，此設定允許我們外部化 AWS 屬性並在我們的應用程式中輕鬆存取它們。
2.3.聲明TextractClient Bean
現在我們已經配置了屬性，讓我們引用它們來定義我們的TextractClient bean：
@Bean
public TextractClient textractClient() {
String region = awsConfigurationProperties.getRegion();
String accessKey = awsConfigurationProperties.getAccessKey();
String secretKey = awsConfigurationProperties.getSecretKey();
AwsBasicCredentials awsCredentials = AwsBasicCredentials.create(accessKey, secretKey);
return TextractClient.builder()
.region(Region.of(region))
.credentialsProvider(StaticCredentialsProvider.create(awsCredentials))
.build();
}TextractClient類別是與 Textract 服務互動的主要入口點。我們將在服務層中自動組裝它，並發送請求以從圖像檔案中提取文字。
3. 從圖像中提取文本
現在我們已經定義了TextractClient bean，讓我們建立一個TextExtractor類別並引用它來實現我們預期的功能：
public String extract(@ValidFileType MultipartFile image) {
byte[] imageBytes = image.getBytes();
DetectDocumentTextResponse response = textractClient.detectDocumentText(request -> request
.document(document -> document
.bytes(SdkBytes.fromByteArray(imageBytes))
.build())
.build());
return transformTextDetectionResponse(response);
}
private String transformTextDetectionResponse(DetectDocumentTextResponse response) {
return response.blocks()
.stream()
.filter(block -> block.blockType().equals(BlockType.LINE))
.map(Block::text)
.collect(Collectors.joining(" "));
}在extract()方法中，我們將MultipartFile轉換為位元組數組，並將其作為Document傳遞給detectDocumentText()方法。
Amazon Textract 目前僅支援 PNG、JPEG、TIFF 和 PDF 文件格式。我們建立一個自訂驗證註解@ValidFileType以確保上傳的檔案採用這些支援的格式之一。
對於我們的演示，在我們的輔助方法transformTextDetectionResponse()中，我們透過連接每個block的文字內容將DetectDocumentTextResponse轉換為簡單的String 。但是，可以根據業務需求自訂轉換邏輯。
除了從應用程式傳遞圖像之外，我們還可以從儲存在 S3 儲存桶中的圖像中提取文字：
public String extract(String bucketName, String objectKey) {
textractClient.detectDocumentText(request -> request
.document(document -> document
.s3Object(s3Object -> s3Object
.bucket(bucketName)
.name(objectKey)
.build())
.build())
.build());
return transformTextDetectionResponse(response);
}在我們重載的extract()方法中，我們將 S3 儲存桶名稱和物件鍵作為參數，允許我們指定映像在 S3 中的位置。
值得注意的是，我們呼叫TextractClient bean 的detectDocumentText()方法，這是一個用於處理單頁文件的同步操作。**但是，為了處理多頁文檔，Amazon Textract 提供了非同步操作**。
4.IAM權限
最後，為了讓我們的應用程式正常運行，我們需要為我們在應用程式中配置的IAM用戶配置一些權限：
{
"Version": "2012-10-17",
"Statement": [
{
"Sid": "AllowTextractDocumentDetection",
"Effect": "Allow",
"Action": "textract:DetectDocumentText",
"Resource": "*"
},
{
"Sid": "AllowS3ReadAccessToSourceBucket",
"Effect": "Allow",
"Action": "s3:GetObject",
"Resource": "arn:aws:s3:::bucket-name/*"
}
]
}在我們的 IAM 策略中， AllowTextractDocumentDetection語句可讓我們呼叫DetectDocumentText API 從圖片中擷取文字。
如果我們從儲存在 S3 中的映像中提取文本，我們還需要包含AllowS3ReadAccessToSourceBucket語句以允許對 S3 儲存桶進行讀取存取。
我們的 IAM 策略符合最小權限原則，僅授予我們的應用程式正常運作所需的必要權限。
5. 結論
在本文中，我們探索了使用 Amazon Textract 和 Spring Boot 從圖像中提取文字。
我們討論瞭如何從本機圖像檔案以及 Amazon S3 中儲存的圖像中提取文字。
Amazon Textract 是一項功能強大的服務，廣泛應用於金融科技和健康科技產業，有助於自動執行處理發票或從醫療表格中提取病患資料等任務。
與往常一樣，本文中使用的所有程式碼範例都可以在 GitHub 上找到。