A FinBank recebe faturas PDF de várias páginas (3 a 10 páginas cada) em um bucket S3 e precisa extrair campos estruturados de chave/valor (InvoiceNumber, InvoiceDate, InvoiceTotal) e persistir os resultados no DynamoDB. Várias equipes tentaram usar o DetectDocumentText, mas o emparelhamento de chave/valor não é confiável. Qual é a abordagem e a configuração mais apropriadas do Textract para extrair de forma confiável campos de formulário estruturados em escala neste ambiente AWS?

A opção correta é usar StartDocumentAnalysis com FeatureTypes=['FORMS'] porque esta é a API assíncrona recomendada do Textract para processar documentos de várias páginas armazenados no S3 e extrair pares chave-valor (formulários). A análise dos blocos KEYVALUESET e seus RELATIONSHIPS permite reconstruir os campos estruturados. A permissão da função de serviço é crucial para o acesso ao S3. A opção de AnalyzeDocument síncrono é inadequada para PDFs de várias páginas e não é a forma mais eficiente para processamento em lote. O Amazon Comprehend é para compreensão de linguagem natural e extração de entidades, não para extração de pares chave-valor de documentos estruturados como faturas. AnalyzeExpense é especializado para recibos e faturas, mas a questão foca em extração de campos de formulário genéricos, e StartDocumentAnalysis com FORMS é a abordagem mais flexível e robusta para o cenário descrito, especialmente com a necessidade de analisar os blocos KEYVALUESET para garantir a confiabilidade.