通过 VPC 中的 Lambda 从 S3 对象中通过 Textract 提取文本

Question

我知道这是一个拗口的标题，但我被撞到了墙角，我想我会伸手去看看我是否遗漏了什么。

我的目标： 一个 lambda，它将访问 S3 存储桶中的文件，通过 textract 运行它，然后将结果写入 RDS 数据库。 （此时要访问 RDS，我必须在 VPC 中运行我的 lambda）

所以，我的 lambda 函数在 VPC 中运行。我已经设置了必要的权限、策略、端点等，以便 lambda 可以使用以下代码访问 s3 文档：

s3 = boto3.client('s3')
def lambda_handler(event, context):
    bucket = 'my-bucket'
    key = my-file.json'
    try:
        data = s3.get_object(Bucket=bucket, Key=key)
        json_data = data['Body'].read()
        return json_data    
    except Exception as e:
        print(e)
        raise e

现在……问题来了。我用下面的代码替换上面的代码并在 VPC 中运行——我得到了可怕的超时。

def lambda_handler(event, context):
    # Document
    s3BucketName = "my-bucket"
    documentName = "test.png" 
    # Amazon Textract client
    textract = boto3.client('textract')

    # Call Amazon Textract
    response = textract.detect_document_text(
    Document={
            'S3Object': {
            'Bucket': s3BucketName,
            'Name': documentName
    }    })
   # Print detected text
    for item in response["Blocks"]:
    if item["BlockType"] == "LINE":
        print (  item["Text"] )

当 lambda 在 VPC 之外运行时，即在 lambda 的 Network 标题下选择“No VPC”，第二段代码运行没有问题。

有谁知道这可能导致失败的原因是什么？我在文档中没有发现任何说明这种情况被阻止的内容，但我担心我可能无法从 VPC 内部访问 Textract？

Answer 1

我认为它没有通过文本响应？

如果是这样，请仔细检查确保执行角色附加了 AmazonTextractFullAccess。

还值得尝试先从 s3 中提取文件并尝试在本地文件上运行 textract，以检查它是否是 textract 和 s3 之间的问题。

然后是这个旧的可靠修复：

提取非 vpc lambda 中的文本并将结果以 json 格式转储到 S3，然后在可以访问您的 RDS 数据库的 VPC 中触发另一个 lambda。

Answer 2

如果您的 VPC 位于以下区域之一（截至 2020 年 1 月），则可以在您的 VPC 中使用 Textract：

• 美国东部（弗吉尼亚北部）
• 美国东部（俄亥俄州）
• 美国西部（俄勒冈）
• 美国西部（加利福尼亚北部）
• 欧盟（爱尔兰）
• 欧盟（伦敦）
• 亚太地区（悉尼）

如果您调用 Textract API 的 Lambda 函数超时，可能是由于 Textract API 调用时间长于 Lambda 函数超时。在这种情况下，您可以使用异步 Textract API StartDocumentTextDetection - 您的 Lambda 函数可以启动后台进程，并且您可以在作业完成时通过 SNS 收到通知。

https://docs.aws.amazon.com/textract/latest/dg/API_StartDocumentTextDetection.html