Amazon Textract

Amazon Textract ist ein Machine-Learning-Dienst von Amazon Web Services. Er liest Text, Handschrift, Layout und strukturierte Daten aus gescannten Dokumenten aus. Textract geht damit über klassische Texterkennung hinaus, weil er Formularfelder und Tabellen als zusammenhängende Daten erkennt.

Du nutzt den Dienst über eine API oder die AWS-Konsole. Es gibt mehrere Schnittstellen. Detect Document Text liest reinen Text und Handschrift. Analyze Document erkennt Formulare, Tabellen, Abfragen und Signaturen. Analyze Expense ist für Rechnungen und Belege gedacht, Analyze ID für Ausweisdokumente. Analyze Lending verarbeitet Dokumente aus Kreditanträgen.

Die Abrechnung erfolgt pro Seite. Laut AWS-Preisseite kostet Detect Document Text in der Region US West (Oregon) 0,0015 US-Dollar pro Seite für die ersten eine Million Seiten. Analyze Expense liegt bei 0,01 US-Dollar pro Seite, Analyze ID bei 0,025 US-Dollar pro Seite für die ersten 100.000 Seiten. Neue AWS-Kunden erhalten drei Monate lang ein kostenloses Kontingent, bei Detect Document Text sind das 1.000 Seiten pro Monat. Für hohe Volumen bietet AWS individuelle Angebote.

Textract richtet sich an Entwickler und IT-Teams. Es gibt keine fertige Oberfläche für Endanwender, du baust die Verarbeitung selbst in deine Anwendung oder deinen Workflow ein. Für ein kleines Büro, das nur gelegentlich ein PDF durchsuchbar machen will, ist das zu aufwendig.

Die Preise gelten je nach Region und Schnittstelle unterschiedlich, prüfe also vor dem Einsatz die aktuelle Preisseite. Welche AWS-Region du wählst, bestimmt auch, wo deine Dokumente verarbeitet werden. Ob eine Region in Europa verfügbar ist, solltest du in der AWS-Dokumentation prüfen, bevor du personenbezogene Daten verarbeitest.