AWS Textract

aws_textract

AWS Textract es un servicio de extracción de texto que incluye soporte nativo para documentos de identidad (AnalyzeID). Extrae campos estructurados como nombre, fecha de nacimiento y número de documento directamente.

When to use

Usar en el ocr_agent como alternativa cloud a Google Vision, especialmente cuando se necesita extracción estructurada de campos de documentos de identidad. Solo como fallback.

Instructions

1. Instalar: pip install boto3.
2. Configurar credenciales AWS: AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY.
3. Usar AnalyzeID para documentos de identidad:

   client = boto3.client('textract')
   response = client.analyze_id(DocumentPages=[{'Bytes': image_bytes}])
   

4. Parsear campos: response['IdentityDocuments'][0]['IdentityDocumentFields'].
5. Mapear campos Textract a formato interno del sistema.
6. Aplicar regex_data_normalizer a los resultados.
7. Registrar uso de fallback cloud en auditoría.

Notes

• AnalyzeID soporta pasaportes y DNIs de múltiples países de forma nativa.
• Coste: ~$10 por 1000 documentos con AnalyzeID; más caro que Google Vision.
• Misma consideración GDPR que Google Vision: imágenes salen del perímetro self-hosted.