미디어 자체 변환과 정보 추출

미디어 집합의 처리는 미디어를 바꾸는 작업과 내용을 표로 추출하는 작업으로 나뉩니다. PDF 페이지를 잘라 새 PDF로 만드는 작업은 미디어 변환이고, PDF의 텍스트를 열 값으로 만드는 작업은 정보 추출입니다.

미디어 집합 입력은 별도로 테이블로 변환하지 않고도 미디어 또는 표 입력으로 읽을 수 있습니다. 원본 미디어 참조를 일반 데이터셋 출력에 포함하려면 미디어 집합을 표로 읽고 그 참조 열을 출력 데이터와 조인할 수 있습니다.

입력과 연산 선택

실제 미디어 집합을 입력으로 추가하고 노드에서 Transform을 선택합니다.

이름으로 검색하거나 왼쪽 Media 범주에서 연산을 찾습니다. PDF의 일부 페이지만 남기려면 Slice PDF를 선택합니다.

텍스트가 필요하면 PDF text extraction 또는 Extract text from PDF를 선택합니다.

혼합 미디어의 유형 좁히기

멀티모달 미디어 집합에 PDF와 이미지가 섞여 있으면 Filter media set에 Has media schema 조건을 사용하여 스키마와 형식에 맞는 항목만 선택할 수 있습니다.

선택한 결과의 미디어 유형이 좁혀지면 PDF 텍스트 추출이나 Crop image처럼 특정 유형을 요구하는 후속 변환을 사용할 수 있습니다. 예를 들어 PDF 항목만 고른 뒤 텍스트를 추출하는 경로를 구성합니다.

PDF 페이지 범위와 텍스트

Slice PDF 예시에서는 Start page=2, End page=5로 2페이지부터 5페이지까지 남깁니다.

디지털 텍스트가 포함된 문서를 읽으려면 Raw text를 선택합니다. 스캔 문서라면 OCR을 사용합니다. Media reference는 media_reference 열로 지정하고, 전체 문서가 필요하면 Start page는 1, End page는 비워 둡니다.

설정 후 Apply를 선택합니다. 그래프에서 두 경로를 각각 Slice PDF, PDF text extraction처럼 이름 붙이고 다음 변환이나 출력을 연결할 수 있습니다.

변환과 추출의 연결

미디어 집합에서 시작하여 미디어를 변환한 뒤 정보를 추출하는 경로를 구성할 수 있습니다. 예를 들어 이미지를 시계 방향으로 90도 회전한 뒤 OCR로 텍스트를 추출합니다. 미디어 배치 파이프라인에서 객체 출력까지 연결하는 절차를 다룹니다.

변환 과정의 미디어 참조를 일반 데이터셋 출력 열로 그대로 저장할 수는 없으므로, 표 출력에서는 해당 변환 참조 열을 제외해야 합니다. 원본 미디어 집합을 가리키는 참조 열과 변환 중의 참조를 구분합니다.

입력 출처와 처리 제한

미디어 변환 및 PDF 추출에는 실제 미디어 집합에 속한 항목이 필요합니다. 일반 파일 데이터셋에서 Get media references (datasets)로 만든 참조는 이 입력을 대신하지 못하며 거부됩니다.

표의 참조 열을 미디어 집합 자체를 변환하는 노드의 입력과 동일하게 취급하지 않습니다. 참조를 이용한 정보 추출과 미디어 노드의 변환 경로를 용도에 맞게 선택합니다.

삭제된 항목을 포함한 미디어 집합 입력을 changelog 모드로 변환하는 방식은 지원하지 않습니다. 미디어 집합 입력을 증분으로 읽을 때는 출력이 데이터셋이어야 합니다. 미디어 집합을 출력하는 파이프라인에서는 미디어 입력의 증분 처리를 지원하지 않으므로, 미디어 집합을 증분으로 변환하여 저장해야 한다면 Python 변환을 사용합니다.