1. 概述
企业经常需要从各种类型的图片中提取有意义的数据，例如处理发票或收据用于费用跟踪、处理身份文件用于KYC（了解你的客户）流程，或自动化表单数据录入。然而，手动从图片中提取文本是一个耗时且昂贵的过程。
Amazon Textract提供了一种自动化解决方案，使用机器学习从文档中提取印刷文本和手写数据。
本教程将探讨如何在Spring Boot应用中使用Amazon Textract从图片中提取文本。我们将逐步讲解必要的配置，并实现从本地图片文件和存储在Amazon S3中的图片提取文本的功能。
2. 项目搭建
在开始从图片中提取文本之前，我们需要包含SDK依赖并正确配置应用。
2.1. 依赖项
首先将Amazon Textract依赖添加到项目的pom.xml文件中：
<dependency>
<groupId>software.amazon.awssdk</groupId>
<artifactId>textract</artifactId>
<version>2.27.5</version>
</dependency>
该依赖提供了TextractClient和其他相关类，我们将使用它们与Textract服务交互。
2.2. 定义AWS配置属性
要使用Textract服务提取文本，**我们需要配置AWS凭证进行身份验证，并指定要使用服务的AWS区域**。
我们将这些属性存储在项目的application.yaml文件中，并使用@ConfigurationProperties将值映射到POJO，服务层在与Textract交互时引用该POJO：
@Validated
@ConfigurationProperties(prefix = "com.baeldung.aws")
class AwsConfigurationProperties {
@NotBlank
private String region;
@NotBlank
private String accessKey;
@NotBlank
private String secretKey;
// 标准setter和getter方法
}
我们还添加了验证注解以确保所有必需的属性都正确配置。如果任何验证失败，Spring的ApplicationContext将无法启动。这使我们能够遵循快速失败原则。
以下是application.yaml文件的片段，定义了将自动映射到AwsConfigurationProperties类的必需属性：
com:
baeldung:
aws:
region: ${AWS_REGION}
access-key: ${AWS_ACCESS_KEY}
secret-key: ${AWS_SECRET_KEY}
我们使用*${}*属性占位符从环境变量加载属性值。
这种设置允许我们将AWS属性外部化，并在应用中轻松访问它们。
2.3. 声明TextractClient Bean
现在我们已经配置了属性，让我们引用它们来定义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类是与Textract服务交互的主要入口点。我们将在服务层中自动装配它，并发送请求从图片文件中提取文本。
3. 从图片中提取文本
既然我们已经定义了TextractClient bean，让我们创建一个TextExtractor类并引用它来实现预期功能：
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，我们将MultipartFile转换为字节数组，并将其作为Document传递给*detectDocumentText()*方法。
Amazon Textract目前仅支持PNG、JPEG、TIFF和PDF文件格式。我们创建了一个[自定义验证注解]@ValidFileType，确保上传的文件是这些受支持的格式之一。
在我们的演示中，在辅助方法transformTextDetectionResponse()中，我们通过连接每个block的文本内容，将DetectDocumentTextResponse转换为简单的String。但转换逻辑可以根据业务需求自定义。
除了从应用传递图片外，我们还可以从存储在S3存储桶中的图片提取文本：
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);
}
在我们的重载*extract()*方法中，我们接受S3存储桶名称和对象键作为参数，允许我们指定图片在S3中的位置。
⚠️ 需要注意的是，我们调用TextractClient bean的*detectDocumentText()*方法，这是一个同步操作，用于处理单页文档。**但对于处理多页文档，Amazon Textract提供了异步操作**。
4. IAM权限
最后，为了使我们的应用正常运行，我们需要为在应用中配置的IAM用户配置一些权限：
{
"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/*"
}
]
}
在我们的IAM策略中，AllowTextractDocumentDetection语句允许我们调用DetectDocumentText API从图片中提取文本。
如果我们要从存储在S3中的图片提取文本，还需要包含AllowS3ReadAccessToSourceBucket语句以允许读取S3存储桶的访问权限。
我们的IAM策略遵循最小权限原则，仅授予应用正常运行所需的必要权限。
5. 结论
本文探讨了如何在Spring Boot中使用Amazon Textract从图片中提取文本。
我们讨论了如何从本地图片文件以及存储在Amazon S3中的图片提取文本。
Amazon Textract是一项强大的服务，在金融科技和健康科技行业被广泛使用，有助于自动化处理发票或从医疗表格中提取患者数据等任务。
一如既往，本文中使用的所有代码示例都可以在GitHub上找到。