FinBank recibe facturas PDF de varias páginas (3 a 10 páginas cada una) en un bucket de S3 y necesita extraer campos estructurados de clave/valor (InvoiceNumber, InvoiceDate, InvoiceTotal) y persistir los resultados en DynamoDB. Varios equipos intentaron usar DetectDocumentText, pero el emparejamiento clave/valor no es confiable. ¿Cuál es el enfoque y la configuración de Textract más apropiados para extraer de forma confiable campos de formulario estructurados a escala en este entorno de AWS?

La opción correcta utiliza StartDocumentAnalysis de Textract con FeatureTypes configurado en ['FORMS']. Esta es la API asíncrona adecuada para documentos de varias páginas almacenados en S3, y el tipo de característica FORMS está diseñado específicamente para extraer pares clave-valor estructurados de documentos, lo cual es esencial para campos como InvoiceNumber, InvoiceDate e InvoiceTotal. Los resultados se procesan analizando los bloques KEYVALUESET y sus RELATIONSHIPS. Las otras opciones son incorrectas porque: AnalyzeDocument sincrónico no es ideal para documentos de varias páginas y ['TABLES'] no es el FeatureType correcto para la extracción de formularios. Amazon Comprehend es para procesamiento de lenguaje natural y extracción de entidades, no para extracción de datos estructurados de formularios o facturas. AnalyzeExpense es una API especializada para recibos y facturas, pero la pregunta especifica facturas PDF de varias páginas y la necesidad de extraer campos estructurados de clave/valor, lo cual StartDocumentAnalysis con FORMS maneja de manera más general y flexible para este caso de uso.