Azure Databricks 和表单识别器 - 无效图像或密码保护

Question

我正在尝试使用 Databricks 自动执行 Azure 表单识别器流程。我会把我的 pdf 或 jpg 文件放在 blob 中，运行 Databricks 中的代码将文件发送到表单识别器，执行数据识别并将结果放在 blob 中的新 csv 文件中。

代码如下：

1. Install packages to cloud

%pip install azure.storage.blob
%pip install azure.ai.formrecognizer


2. Connect to Azure Storage Container

from azure.storage.blob import ContainerClient

container_url = "https://nameofmystorageaccount.blob.core.windows.net/pdf-raw"
container = ContainerClient.from_container_url(container_url)

for blob in container.list_blobs():
    blob_url = container_url + "/" + blob.name
    print(blob_url)


3. Enable Cognitive Services


import requests
from azure.ai.formrecognizer import FormRecognizerClient
from azure.core.credentials import AzureKeyCredential

endpoint = "https://nameofmyendpoint.cognitiveservices.azure.com/"
key = "nameofmykey"

form_recognizer_client = FormRecognizerClient(endpoint, credential=AzureKeyCredential(key))



4. Send files to Cognitive Services

import pandas as pd

field_list = ["InvoiceDate","InvoiceID","Items","VendorName"]
df = pd.DataFrame(columns=field_list)

for blob in container.list_blobs():
    blob_url = container_url + "/" + blob.name
    poller = form_recognizer_client.begin_recognize_invoices_from_url(invoice_url=blob_url)
    invoices = poller.result()
    print("Scanning " + blob.name + "...")

    for idx, invoice in enumerate(invoices):
        single_df = pd.DataFrame(columns=field_list)
        
        for field in field_list:
            entry = invoice.fields.get(field)
            
            if entry:
                single_df[field] = [entry.value]
                
            single_df['FileName'] = blob.name
            df = df.append(single_df)
            
df = df.reset_index(drop=True)
df

前三个步骤运行没有问题，但在第四步出现以下错误消息：(InvalidImage) The input data is not a valid image or password protected。此错误涉及行 poller = form_recognizer_client.begin_recognize_invoices_from_url(invoice_url=blob_url)

当我手动执行此过程时，我的 blob 中的 PDF 没有密码并且运行在表单识别器中正确。我只用了两个小 PDF 进行测试，我尝试了不同的 PDF。

我使用 Azure 的免费订阅。我的 Databricks 集群具有不受限制的策略，具有单节点集群模式。运行时间版本是9.1 LTS（Apache 3.1.2，Scala 2.12）。我的容器的 public 访问级别设置为“容器”。

为了运行代码没有错误，是否需要更改任何配置？

谢谢你，祝你有愉快的一天

Answer 1

在我看来url不是公开的，无法正确下载。

最好的方法是传递整个文档并使用不同的方法：

form_recognizer_client = FormRecognizerClient(endpoint, credential)

with open("<path to your invoice>", "rb") as fd:
    invoice = fd.read()

poller = form_recognizer_client.begin_recognize_invoices(invoice)
result = poller.result()

Answer 2

感谢休伯特的回复。

事实证明，在我的 blob 集群中，我有两个 PDF 文件，还有一个保存的表单识别器自定义模型。我删除了 .fott 和 .json 文件，使集群中只有 PDF。我运行之后的代码没有任何问题。

谢谢

Azure Databricks 和表单识别器 - 无效图像或密码保护

Azure Databricks and Form Recognizer - Invalid Image or password protected

azure

image

databricks

form-recognizer