MCP-based Interactive PDF Text Extraction from Amazon S3¶
Ch07.023 MCP-based Interactive PDF Text Extraction from Amazon S3¶
📊 Level ⭐⭐ | 11.9KB |
entities/mcp-pdf-text-extraction-s3-interactive-aws.md
MCP-based Interactive PDF Text Extraction from Amazon S3¶
AWS 推出的基于 Model Context Protocol (MCP) 的交互式 PDF 文本提取方案，让 AI Agent 能够实时从 Amazon S3 存储的 PDF 文档中提取文本内容，无需等待批量处理管道。
摘要¶
该方案通过 MCP 服务器提供程序化文档访问能力，使 AI 助手能够直接查询存储在 S3 中的 PDF 文件。相比 Amazon Textract，在概念验证场景下成本降低约 90%，同时保持实时交互能力。适用于合规审查、法律咨询、财务分析等需要即时文档访问的场景。
核心能力¶
实时文本提取¶
该方案通过 MCP 服务器提供程序化文档访问能力，使 AI 助手能够直接查询存储在 S3 中的 PDF 文件：
- 即时响应：典型 50 页文本 PDF 在几秒内完成提取
- 自然语言查询：用户可用自然语言提问，获取文档中的相关段落
- 线性扩展：处理时间与文档大小成线性关系，10 页文档比 50 页快约 5 倍
- 内存友好：100 页以下文本 PDF 内存占用在典型开发机限制内
成本优化¶
| 方案 | 月处理量 | 成本构成 | 总成本 |
|---|---|---|---|
| Amazon Textract | 10,000 页 | Textract $15 + S3 $2 + Lambda $1 + LLM $5-10 | $23-28 |
| MCP Server | 10,000 页 | S3 $2 + 数据传输 $0.50 | $2.50 |
成本对比说明：两方案功能集不同，不应作为直接价格竞争。涉及扫描文档、表单、表格、复杂布局或生产 SLA 时，Amazon Textract 是更合适的选择。
最小化基础设施¶
无需托管处理服务，直接连接 AI 助手与源文档。架构仅包含四个组件：
- 命令行界面：用户与系统交互的入口
- MCP 通信层：标准化的外部数据源访问协议
- 自定义 MCP 服务器：专门处理 PDF 文档的服务器
- Amazon S3：文档存储，通过 AWS IAM 进行安全控制
技术实现¶
工作流程¶
MCP 服务器核心代码¶
from mcp.server import Server
from mcp.types import Tool, TextContent
import boto3
from PyPDF2 import PdfReader
import tempfile
import os
server = Server("s3-pdf-extractor")
@server.list_tools()
async def list_tools():
return [
Tool(
name="extract_s3_pdf_text",
description="Extract text content from a PDF stored in Amazon S3",
inputSchema={
"type": "object",
"properties": {
"bucket": {"type": "string", "description": "S3 bucket name"},
"key": {"type": "string", "description": "S3 object key"}
},
"required": ["bucket", "key"]
}
)
]
@server.call_tool()
async def call_tool(name: str, arguments: dict):
if name == "extract_s3_pdf_text":
bucket = arguments["bucket"]
key = arguments["key"]
s3_client = boto3.client('s3')
with tempfile.NamedTemporaryFile(delete=False, suffix='.pdf') as tmp_file:
s3_client.download_file(bucket, key, tmp_file.name)
tmp_path = tmp_file.name
reader = PdfReader(tmp_path)
text = ""
for page in reader.pages:
text += page.extract_text() + "\n"
os.unlink(tmp_path)
return [TextContent(type="text", text=text)]
部署步骤¶
环境准备： - Python 3.10+ - AWS CLI 配置有效凭证 - Kiro CLI 安装 - 依赖安装：pip install mcp boto3 PyPDF2
Kiro CLI 配置 (~/.kiro/settings/tools/mcp.json)：
{
"mcpServers": {
"s3-pdf-extractor": {
"command": "python",
"args": ["/path/to/s3_pdf_extractor.py"]
}
}
}
验证部署：
适用场景对比¶
推荐使用 MCP 方案的场景¶
- 文本型 PDF：PDF 中已编码文本，无需 OCR
- 交互式工作流：实时查询而非批处理
- 开发和 PoC 环境：成本敏感场景
- 现有 AWS 工作流集成：利用现有 IAM 和 S3 基础设施
推荐使用 Amazon Textract 的场景¶
- 扫描文档：需要 OCR 的光栅化图像
- 手写识别： Textract 原生支持
- 表单和表格提取：结构化数据提取
- 复杂布局分析：多栏、复杂排版
- 生产级 SLA：企业级服务等级协议
混合工作流¶
对于同时包含扫描页和文本页的 PDF 仓库，可设计自动路由：
- 先尝试 MCP 方案提取文本
- 遇到失败或图像页时自动转交 Textract
安全考虑¶
该方案从设计之初就集成安全性：
- IAM 集成：使用现有 AWS 凭证，无需单独 API 密钥
- 最小权限：仅授予特定 S3 桶的读权限
- 临时存储：处理完成后自动删除下载文件
- 无数据持久化：按需提取，不存储结果
- 审计追踪：AWS CloudTrail 记录所有 S3 访问请求
局限性与边界¶
明确限制：
- 仅文本型 PDF：扫描图像或照片无法读取，需使用 Amazon Textract
- 无 OCR 能力：只能读取 PDF 格式中嵌入的文本，无法解释图像像素
- 有限布局理解：直接文本提取，不重建表格、栏或复杂页面布局
- 无表单处理：不提取可填写表单字段或结构化数据
真实用例¶
法律服务公司¶
中型律师事务所用于合同审查。律师过去需在客户电话中花费 15-20 分钟搜索 PDF 合同中的特定赔偿条款，现在通过 Kiro CLI 输入问题，几秒内获得相关段落。
金融服务合规¶
地区银行用于监管检查。合规官员需要在审计期间快速定位特定政策语言，过去需手动在数十个 PDF 文件中添加书签，现在通过 MCP 服务器连接 S3 文档库，实时提取 examiner 询问的确切段落。
企业战略团队¶
企业领导团队在季度战略会议中使用。当董事会成员询问上季度财报中的特定指标时，团队可现场查询 PDF，无需翻阅纸质副本。
扩展与增强选项¶
该方案是起点，可根据需求扩展：
- 添加缓存：使用 Amazon DynamoDB 缓存频繁访问的文档
- 批处理：使用 Amazon SQS 实现批量操作
- 向量搜索：集成 Amazon OpenSearch Service 实现语义文档发现
- 混合工作流：自动将复杂文档路由到 Amazon Textract
- 监控：使用 Amazon CloudWatch 跟踪使用模式和错误率
实践启示¶
选型决策树¶
PDF 类型？
├── 扫描/图像/手写 → Amazon Textract
└── 文本编码 PDF → 用途？
├── 批处理/生产 SLA → Amazon Textract
└── 交互式/实时查询 → MCP 方案
关键要点¶
- 成本与功能权衡：MCP 方案成本极低但功能有限，Textract 功能全面但成本更高
- 协议标准化价值：MCP 作为开放标准，使文档访问与具体 LLM 或 Agent 框架解耦
- 最小可行基础设施：对于文本提取这类相对简单的任务，无需重量级托管服务
- 渐进式增强：从 MCP 方案开始，随需求增长逐步添加缓存、批处理、向量搜索等能力
→ 原文存档
关联¶
- 相关概念: Harness Engineering