前提・実現したいこと
表が印字された画像のようなファイルをaws s3にアップロードすると、
表の見出しを項目名にしたJson形式ファイルに変換する仕組みを作ろうとしています。
json
1{ 2 "kokyaku_id" : "a001", 3 "address" : "Osaka Pref-Osaka" 4 以下略 5} 6
公式サイトを参考に、Amazon Textractを使用して画像ファイルから文字列を抽出したあとに一度csvファイルに変換したのち、参考サイトに書いているようにcsvモジュールを使ってjson形式に変更しようとしています。
発生している問題・エラーメッセージ
・項目名が一律「kokyaku_id」の一文字目である"k"になっている。
・値がカンマ単位ではなく1文字ずつで区切られている。
(しかも、最初の値が「kokyaku_id」の二文字目になっている。)
['{"k": "o"}', '{"k": "k"}', '{"k": "y"}', '{"k": "a"}', '{"k": "k"}', '{"k": "u"}', '{"k": "i"}', '{"k": "d"}', '{"k": " "}', '{"k": "", "null": [""]}', '{"k": "a"}', '{"k": "d"}', '{"k": "d"}', '{"k": "r"}', '{"k": "e"}', '{"k": "s"}', '{"k": "s"}', '{"k": " "}', '{"k": "", "null": [""]}', (以下略)
該当のソースコード
python
1import json 2import boto3 3from datetime import datetime 4import csv as csvlib 5 6resourceS3 = boto3.resource('s3') 7 8def lambda_handler(event, context): 9 10 # Document 11 s3BucketName = "xxxxxxxxxx" 12 documentName = "xxxxxx.png" 13 14 # Amazon Textract client 15 textract = boto3.client('textract') 16 17 response = textract.analyze_document( 18 Document={ 19 'S3Object': { 20 'Bucket': s3BucketName, 21 'Name': documentName 22 } 23 } 24 , FeatureTypes=['TABLES']) 25 26 # Get the text blocks 27 blocks=response['Blocks'] 28 #print(blocks) 29 30 blocks_map = {} 31 table_blocks = [] 32 for block in blocks: 33 blocks_map[block['Id']] = block 34 if block['BlockType'] == "TABLE": 35 table_blocks.append(block) 36 37 if len(table_blocks) <= 0: 38 return "<b> NO Table FOUND </b>" 39 40 wk_csv = '' 41 42 for index, table in enumerate(table_blocks): 43 wk_csv += generate_table_csv(table, blocks_map, index +1) 44 # wk_csv += '\n\n' 45
ここからがCSV⇒jsonへの変換です。
result = [] for line in csvlib.DictReader(wk_csv): line_json = json.dumps(line) result.append(line_json) print(result)
以降はtextractの内容をcsv形式に編集するものです。
def get_rows_columns_map(table_result, blocks_map): rows = {} for relationship in table_result['Relationships']: if relationship['Type'] == 'CHILD': for child_id in relationship['Ids']: cell = blocks_map[child_id] if cell['BlockType'] == 'CELL': row_index = cell['RowIndex'] col_index = cell['ColumnIndex'] if row_index not in rows: # create new row rows[row_index] = {} # get the text value rows[row_index][col_index] = get_text(cell, blocks_map) return rows def get_text(result, blocks_map): text = '' if 'Relationships' in result: for relationship in result['Relationships']: if relationship['Type'] == 'CHILD': for child_id in relationship['Ids']: word = blocks_map[child_id] if word['BlockType'] == 'WORD': text += word['Text'] + ' ' if word['BlockType'] == 'SELECTION_ELEMENT': if word['SelectionStatus'] =='SELECTED': text += 'X ' return text def generate_table_csv(table_result, blocks_map, table_index): rows = get_rows_columns_map(table_result, blocks_map) #table_id = 'Table_' + str(table_index) # get cells. #csv = 'Table: {0}\n\n'.format(table_id) csv = "" for row_index, cols in rows.items(): for col_index, text in cols.items(): csv += '{}'.format(text) + "," csv += '\n' #csv += '\n\n\n' return csv if __name__ == "__main__": file_name = sys.argv[1] main(file_name)
試したこと
そもそもCSVファイルが正しく作られていないのかと思い、CSVファイルを出力してみましたが、以下のとおり問題ありませんでした。
csv
1kokyaku_id ,address ,birth_ymd ,kana_name ,kanji_name ,last_update_ymd , 2a001 ,Osaka Pref-Osaka ,19710120 ,hoge ,HOG E ,20200201 ,
回答2件
あなたの回答
tips
プレビュー
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
2020/01/29 05:49