1115 字
6 分鐘

Amazon Textract Insights 怎麼用?拆分混合 PDF 與欄位複核

本文目錄

一份 PDF 裡有兩張發票、一份對帳單和一張掃描封面時,先驗收切出了幾份文件,再核對每份套用了哪個 blueprint,最後才看欄位值。這個順序很重要。即使金額辨識得很清楚,分錯文件也會讓它落到另一張發票上。

AWS 在 2026 年 11 月 20 日正式推出 Amazon Textract Insights。依 11 月 22 日查閱的文件,Insights 目前透過 API 使用,開放區域為 us-east-1 和 us-west-2。工作從 S3 讀檔並把結果寫回 S3,輸入與輸出 bucket 都要和請求在同一區域。Insights 支援英文、法文、德文、義大利文、葡萄牙文及西班牙文。主要輸入若是台灣的繁中發票,應先依支援語言篩選方案。AWS 同時公告的 40 種語言適用於 Textract Core 的特定 API。 AWS 發布公告 · AWS 工作監控文件

一種文件用一個 blueprint#

Blueprint 同時描述文件類型與要擷取的欄位。可先用 AWS 的公開發票和銀行對帳單 blueprint 試判,再針對自己的版型建立精簡版。下方是只擷取發票編號和應付總額的示意 schema。編號用字串保留前導零,總額欄位描述要講清楚辨識依據,讓小計與稅額也出現在同一頁時有機會正確選欄。 AWS blueprint 格式

{
"class": "Invoice",
"description": "An invoice issued by a supplier to request payment.",
"properties": {
"invoice_number": {
"type": "string",
"inferenceType": "explicit",
"description": "The printed invoice number. Preserve leading zeros."
},
"total_due": {
"type": "number",
"inferenceType": "explicit",
"description": "The printed total amount due, including tax. Exclude subtotal, tax alone, and prior balance."
}
}
}

把不同文件的 blueprint 加入同一個 Insights project,並在 project 啟用 splitting。第一輪測試可把連續兩張不同編號的發票、兩頁對帳單和一張封面合成一份 PDF。先把正確的頁段和文件類別記下來。封面的分類結果也要檢查,尤其是有設定 fallback blueprint 的情況。 AWS 拆分文件說明

依 AWS 文件,工作整體最多 3,000 頁,但關閉 splitting 的自訂擷取上限是 20 頁。頁數在送出後才檢查,所以拿到 JobArn 後仍可能看到工作失敗。用 GetDocumentInsights 的 ErrorType 與 ErrorMessage 搭配原始頁數和啟用功能排查。 AWS 服務限制

從工作狀態查到來源頁#

單次驗收可以照這個順序走。正式流程可用 EventBridge 接收完成事件,再查一次工作狀態與輸出位置。 AWS 工作監控文件 · AWS 輸出結構

  1. 用 StartDocumentInsights 提交測試 PDF 的 S3 URI、輸出前綴與 project ARN。
  2. 用 GetDocumentInsights 查 Status。到 SUCCEEDED 後,用 OutputConfiguration.S3Uri 取得 job_metadata.json。
  3. 逐筆查 output_metadata[].segment_metadata[] 的 custom_status。先核對 MATCH、FALLBACK、NO_MATCH 是否符合預期,再依有值的 custom_path 開啟對應 JSON。
  4. 從 inference_result 取欄位值,沿同名欄位查 explainability_info。複核介面可保留工作 ARN、段落、欄位名稱、confidence 與 geometry 裡的頁碼和框選座標,讓複核者能打開掃描原圖,對照被選中的字。 AWS 欄位信心分數文件

把文件切分、類別與欄位各自記錄為可核對的結果。第一輪讓同一批文件各包含正確值、容易混淆的金額、模糊掃描與缺欄樣本。金額欄可先保留人工複核,確認取值位置在應付總額那一格,而且金額符合自己的業務規則,再用有人工答案的樣本校準自動接受的門檻。藍圖信心分數描述分類結果,欄位的 confidence 則用於判讀單一值。AWS 對 Insights 採逐頁計價,試跑可從小批有標註的文件開始。 AWS 信心分數文件 · AWS 發布公告

什麼情況先用 Clairic-flash?#

如果上游已經把每份文件分好,你只需要從單張收據或少量頁面擷取單號和金額,可以看 Cloudflare Clairic-flash 的頁數限制與欄位驗收。如果目前卡在混合 PDF 的文件邊界、分類和欄位來源定位,Insights 可以在同一個非同步工作處理這幾步。選型先對照語言、資料所在區域和頁數,再拿同一組文件驗收。本文依 AWS 文件整理流程,schema 供試跑起點,尚未送出 AWS 工作或測量辨識率。

參考資料:

AWS 正式推出 Amazon Textract Insights

AWS Insights blueprint 格式

AWS 工作輸出與 S3 路徑

AWS 欄位信心分數與位置

Amazon Textract Insights 怎麼用?拆分混合 PDF 與欄位複核
https://laplusda.com/posts/amazon-textract-insights-blueprint-review/
作者
Zero
發佈於
2026-11-22
許可協議
CC BY-NC-SA 4.0