FinBank empfängt mehrseitige PDF-Rechnungen (jeweils 3–10 Seiten) in einem S3-Bucket und muss strukturierte Schlüssel/Wert-Felder (InvoiceNumber, InvoiceDate, InvoiceTotal) extrahieren und die Ergebnisse in DynamoDB speichern. Mehrere Teams haben DetectDocumentText ausprobiert, aber die Schlüssel/Wert-Paarung ist unzuverlässig. Welcher Textract-Ansatz und welche Konfiguration sind am besten geeignet, um strukturierte Formularfelder in dieser AWS-Umgebung zuverlässig und skalierbar zu extrahieren?

Die asynchrone StartDocumentAnalysis mit FeatureTypes ['FORMS'] ist die beste Wahl, da sie für die Extraktion strukturierter Daten (Schlüssel-Wert-Paare) aus mehrseitigen Dokumenten wie Rechnungen konzipiert ist und skalierbar ist. Die Ergebnisse müssen durch Parsen der KEYVALUESET-Blöcke und ihrer Beziehungen verarbeitet werden, um die Schlüssel den Werten zuzuordnen. Die Textract-Servicerolle benötigt die entsprechenden S3-Berechtigungen. Die synchrone AnalyzeDocument ist nicht für mehrseitige Dokumente geeignet und FeatureTypes ['TABLES'] ist für Tabellen, nicht für Formularfelder. Amazon Comprehend ist für die Entitätsextraktion in unstrukturiertem Text und nicht für die präzise Schlüssel-Wert-Extraktion aus Formularen optimiert. AnalyzeExpense ist zwar für Rechnungen gedacht, aber die Frage erwähnt, dass DetectDocumentText (eine einfachere Textract-API) bereits unzuverlässig war, was darauf hindeutet, dass eine robustere Formularanalyse (wie StartDocumentAnalysis mit FORMS) erforderlich ist, um die spezifischen Anforderungen zu erfüllen.