Amazon Bedrock Data Automation 实战：从文档解析到多模态智能处理

Lab 信息

• 难度: ⭐⭐ 中级
• 预估时间: 45 分钟
• 预估费用: $0.50-2.00
• Region: us-east-1 / us-west-2
• 最后验证: 2026-03-25

背景

过去要从非结构化文档中提取结构化数据，通常需要组合多个 AWS 服务（Textract + Comprehend + 自定义 Lambda），再加上大量的编排逻辑。Amazon Bedrock Data Automation (BDA) 在 2025 年 3 月正式 GA，提供了一个统一的多模态处理接口——文档、图片、视频、音频都通过同一个 API 处理，底层自动选择最佳模型，开发者不再需要管理模型编排。

核心价值：一个 API 替代过去的多服务编排，同时支持标准输出和自定义提取规则（Blueprint）。

前置条件

• AWS 账号（需要 Bedrock 相关权限）
• AWS CLI v2 已配置
• Python 3.8+ 和 boto3
• ⚠️ 重要：首次使用需要通过 AWS Console 访问 BDA 功能，以创建 data-automation-profile（详见踩坑记录）

核心概念

BDA 架构一览

                    ┌─────────────────────────┐
                    │   InvokeDataAutomation   │
                    │   (Sync / Async API)     │
                    └──────────┬──────────────┘
                               │
              ┌────────────────┼────────────────┐
              ▼                ▼                 ▼
       ┌──────────┐    ┌──────────┐     ┌──────────────┐
       │ Standard │    │ Blueprint│     │   Project     │
       │ Output   │    │ (Custom) │     │ (组合配置)    │
       └──────────┘    └──────────┘     └──────────────┘
              │                │
              ▼                ▼
     ┌────────────────────────────────┐
     │      多模态处理引擎              │
     │  文档 │ 图片 │ 视频 │ 音频      │
     └────────────────────────────────┘

三个核心概念

概念	说明	类比
Standard Output	默认提取结果，按文件类型返回常见信息	"开箱即用"模式
Blueprint	自定义提取规则，定义字段名、类型、提取逻辑	"定制模具"
Project	组织 Standard + Blueprint 配置，支持多模态	"生产线配置"

BDA vs 传统方案对比

维度	Textract + Lambda	BDA
支持模态	仅文档/图片	文档 + 图片 + 视频 + 音频
模型管理	需自行编排	自动选择最佳模型
自定义提取	需要 Queries 或自定义代码	Blueprint 声明式定义
置信度	✅	✅ + Visual Grounding
RAG 集成	需额外开发	原生支持 Knowledge Bases
API 数量	多个（Textract + Comprehend + ...）	统一 1 个 API
预制模板	无	41 个 Catalog Blueprint

动手实践

Step 1: 了解 API 结构

BDA 有两个 service endpoint：

• bedrock-data-automation — 管理面（Create/Get/Update/Delete Blueprint 和 Project）
• bedrock-data-automation-runtime — 数据面（InvokeDataAutomation / InvokeDataAutomationAsync）

# 查看管理面可用操作
aws bedrock-data-automation help

# 查看运行时可用操作
aws bedrock-data-automation-runtime help

Step 2: 探索 Blueprint Catalog

BDA 提供了 41 个预制 Blueprint，覆盖金融、身份证件、税务表单、媒体分析等场景：

import boto3
import json

session = boto3.Session(region_name='us-east-1')
bda = session.client('bedrock-data-automation')

# 列出所有预制 Blueprint
blueprints = bda.list_blueprints(resourceOwner='SERVICE')
for bp in blueprints['blueprints']:
    print(f"  {bp['blueprintName']:30s} | {bp['blueprintArn']}")

输出示例（部分）：

类别	可用 Blueprint
金融文档	Invoice, Receipt, Bank-Statement, Credit-Card-Statement, Payslip
税务表单	Form-1040, W2-Form, Form-1099-INT, Form-940, Form-941
身份证件	US-Passport, US-Driver-License, Canada-Driver-License
保险/医疗	US-Medical-Insurance-Card, Dental-Insurance-Card, Prescription-Label
账单	Electricity-Bill, Water-And-Sewer-Bill, Cable-Bill
媒体分析	Advertisement, General-Image, General-Audio, Keynote-Highlight

Step 3: 查看 Blueprint Schema 结构

# 获取发票 Blueprint 的详细 Schema
bp = bda.get_blueprint(
    blueprintArn='arn:aws:bedrock:us-east-1:aws:blueprint/bedrock-data-automation-public-invoice',
    blueprintStage='LIVE'
)
schema = json.loads(bp['blueprint']['schema'])
print(json.dumps(schema, indent=2)[:500])

Blueprint Schema 采用声明式 JSON 格式：

{
  "class": "Invoices",
  "description": "An invoice document containing...",
  "definitions": {
    "LINEITEM": {
      "properties": {
        "quantity": {"type": "number", "inferenceType": "explicit"},
        "unit price": {"type": "number", "inferenceType": "explicit"},
        "amount": {"type": "number", "inferenceType": "explicit",
                   "instruction": "Unit Price * Quantity"}
      }
    }
  },
  "properties": {
    "invoice_number": {"type": "string", "inferenceType": "explicit"},
    "total_amount": {"type": "number", "inferenceType": "explicit"},
    "vendor_name": {"type": "string", "inferenceType": "explicit"}
  }
}

关键要素：

• inferenceType: explicit（文档中直接可见）或 inferred（需要推理/转换）
• instruction: 自然语言描述提取规则
• definitions: 定义可复用的复合类型（如行项目表格）
• type: 支持 string、number、boolean、array of string、array of numbers

Step 4: 创建自定义 Blueprint

custom_schema = {
    "class": "Custom Invoice",
    "description": "Extract key information from invoices",
    "properties": {
        "invoice_number": {
            "type": "string",
            "inferenceType": "explicit",
            "instruction": "The invoice number or ID"
        },
        "total_amount": {
            "type": "number",
            "inferenceType": "explicit",
            "instruction": "The total amount on the invoice"
        },
        "vendor_name": {
            "type": "string",
            "inferenceType": "explicit",
            "instruction": "The vendor or company name"
        },
        "invoice_date": {
            "type": "string",
            "inferenceType": "inferred",
            "instruction": "Invoice date in YYYY-MM-DD format"
        }
    }
}

response = bda.create_blueprint(
    blueprintName='my-invoice-extractor',
    type='DOCUMENT',
    schema=json.dumps(custom_schema),
    blueprintStage='LIVE'
)
blueprint_arn = response['blueprint']['blueprintArn']
print(f"Blueprint ARN: {blueprint_arn}")

Step 5: 创建 Project

Project 是 BDA 的核心配置单元，组合了 Standard Output 和 Custom Blueprint：

project = bda.create_data_automation_project(
    projectName='my-bda-project',
    projectStage='LIVE',
    standardOutputConfiguration={
        'document': {
            'extraction': {
                'granularity': {'types': ['DOCUMENT', 'PAGE', 'ELEMENT']},
                'boundingBox': {'state': 'ENABLED'}
            },
            'generativeField': {'state': 'ENABLED'},
            'outputFormat': {
                'textFormat': {'types': ['PLAIN_TEXT', 'MARKDOWN']},
                'additionalFileFormat': {'state': 'ENABLED'}
            }
        },
        'image': {
            'extraction': {
                'category': {
                    'state': 'ENABLED',
                    'types': ['CONTENT_MODERATION', 'TEXT_DETECTION', 'LOGOS']
                },
                'boundingBox': {'state': 'ENABLED'}
            },
            'generativeField': {
                'state': 'ENABLED',
                'types': ['IMAGE_SUMMARY', 'IAB']
            }
        }
    },
    customOutputConfiguration={
        'blueprints': [
            {
                'blueprintArn': blueprint_arn,
                'blueprintStage': 'LIVE'
            }
        ]
    }
)
project_arn = project['projectArn']
print(f"Project ARN: {project_arn}")
print(f"Status: {project['status']}")

Project 创建注意事项

• image.generativeField 必须包含 types（如 IMAGE_SUMMARY, IAB）
• document.extraction.granularity 和 document.outputFormat.additionalFileFormat 是必填项
• Project 创建后状态为 IN_PROGRESS，需等待变为 COMPLETED 后才能使用

Step 6: 调用 BDA 处理文件

runtime = session.client('bedrock-data-automation-runtime')

# 异步调用
response = runtime.invoke_data_automation_async(
    inputConfiguration={
        's3Uri': 's3://your-bucket/input/document.pdf'
    },
    outputConfiguration={
        's3Uri': 's3://your-bucket/output/'
    },
    dataAutomationConfiguration={
        'dataAutomationProjectArn': project_arn,
        'stage': 'LIVE'
    },
    dataAutomationProfileArn=profile_arn  # 见踩坑记录
)

invocation_arn = response['invocationArn']

# 轮询状态
import time
while True:
    status = runtime.get_data_automation_status(invocationArn=invocation_arn)
    state = status['status']
    print(f"Status: {state}")
    if state in ['SUCCESS', 'FAILED']:
        break
    time.sleep(5)

测试结果

Blueprint Catalog 覆盖度

领域	Blueprint 数量	典型用例
金融文档	5	发票、收据、银行对账单
税务表单（美国）	7	1040, W2, 1099, 940, 941
身份证件	4	护照、驾照（美/加）
保险/医疗	4	医保卡、处方标签、疫苗卡
账单	5	水电煤、有线电视、HOA
法律文档	5	出生/死亡/结婚证书
媒体分析	4	广告、图片、音频、视频
合计	41

Project 配置灵活性

特性	支持情况
LIVE / DEVELOPMENT 双 stage	✅
SYNC / ASYNC 两种项目类型	✅
单项目多模态配置	✅
文档自动拆分	✅（多文档 PDF 自动分割）
Blueprint 自动匹配	✅（最多 40 个文档 Blueprint）
KMS CMK 加密	✅
资源标签	✅

踩坑记录

关键：首次使用必须通过 Console 初始化

问题：调用 InvokeDataAutomation 或 InvokeDataAutomationAsync 时，dataAutomationProfileArn 是必填参数。但该 Profile 不是通过 API 创建的——它在你第一次通过 AWS Console 访问 BDA 功能时自动生成。

表现：如果账号从未通过 Console 使用过 BDA，任何 profile ARN 格式（无论 aws 还是账号 ID）都会返回 ValidationException: The provided ARN is invalid。

解决方案：在 AWS Console 中导航到 Bedrock → Data Automation，创建任意一个项目。Console 会自动完成 Profile 的初始化。

状态：实测发现 + 第三方 GitHub 项目确认。AWS 官方 API 文档未说明此前提条件。

Project 配置的必填字段比文档描述更多

创建 Project 时以下字段必须显式提供（CLI help 文档标记为 required，但容易遗漏）：

• document.extraction.granularity.types
• document.outputFormat.additionalFileFormat
• image.extraction.category（需含 state + types）
• image.generativeField.types（当 state=ENABLED 时）

Blueprint Schema 格式 — 使用 JSON 声明式结构

自定义 Blueprint 的 schema 不是简单的字段列表，而是类似 JSON Schema 的声明式结构。 最快的入门方式是获取 Catalog Blueprint 的 schema 作为模板，然后修改。已查文档确认。

费用明细

资源	操作	费用
BDA Project 创建/管理	免费	$0
BDA Blueprint 创建/管理	免费	$0
BDA 文档处理	按页计费	~$0.01-0.05/页
BDA 图片处理	按张计费	~$0.01-0.05/张
BDA 视频处理	按分钟计费	按实际用量
S3 存储	测试数据	< $0.01
本次 Lab 合计		< $0.50

清理资源

import boto3

session = boto3.Session(region_name='us-east-1')
bda = session.client('bedrock-data-automation')
s3 = session.client('s3')

# 1. 删除 Project
bda.delete_data_automation_project(projectArn=project_arn)

# 2. 删除自定义 Blueprint
bda.delete_blueprint(blueprintArn=blueprint_arn)

# 3. 清空并删除 S3 Bucket
bucket = 'your-test-bucket'
objects = s3.list_objects_v2(Bucket=bucket)
for obj in objects.get('Contents', []):
    s3.delete_object(Bucket=bucket, Key=obj['Key'])
s3.delete_bucket(Bucket=bucket)

务必清理

Lab 完成后请执行清理步骤。BDA Project 和 Blueprint 本身不产生持续费用，但 S3 存储和未清理的处理作业可能产生费用。

结论与建议

适用场景

• IDP（智能文档处理）流水线：发票、合同、表单的批量处理
• RAG 数据预处理：作为 Knowledge Bases 的 parser，提取多模态文档的结构化内容
• 媒体资产管理：视频摘要、广告内容分析、品牌 Logo 检测
• 合规审核：身份证件验证、表单数据提取

对比建议

场景	推荐方案
简单 OCR / 文字提取	Amazon Textract（更成熟、更便宜）
结构化文档批量处理	BDA（Blueprint 声明式 > 自定义代码）
多模态内容理解	BDA（唯一一个统一 API）
RAG 文档解析	BDA（原生 Knowledge Bases 集成）
视频/音频分析	BDA（传统方案需要多个服务组合）

生产环境建议

1. 先 Console 后 API：首次使用务必通过 Console 初始化，确保 data-automation-profile 创建成功
2. 利用 Catalog Blueprint：41 个预制模板覆盖了大部分常见文档类型，先试 Catalog 再考虑自定义
3. DEVELOPMENT → LIVE：使用 Project 的双 stage 机制，在 DEVELOPMENT 测试通过后再推到 LIVE
4. 异步优先：生产环境建议使用 InvokeDataAutomationAsync，避免同步 API 的 15 字段限制
5. 启用 KMS CMK：处理敏感文档时使用客户管理密钥加密

参考链接

• Amazon Bedrock Data Automation 产品页
• BDA 官方文档
• BDA API Reference - InvokeDataAutomationAsync
• AWS What's New 公告