构建交互式PDF文本提取：从Amazon S3实时获取文档内容

想象一下：合规官员在审计中需要特定条款，律师在客户等待时需要合同条款，或者金融分析师在会议开始前需要上一季度的报告数据。这些场景都需要对PDF中的文本进行按需访问，而不是等待批处理作业完成。

本文介绍如何构建一个服务器，实时从Amazon S3中的PDF文件提取文本。该方案基于模型上下文协议（MCP），提供程序化的文档访问能力。您将了解架构、设置服务器并运行交互式文档查询。同时，本文将该方案与Amazon Textract进行对比，帮助您为工作负载选择合适的工具。

该解决方案源于多个团队共享的挫折：他们的文档存储在Amazon S3中，但要按需获取文本要么编写自定义脚本，要么依赖批处理管道。MCP服务器方案介于两者之间，以最少的设置提供交互式访问。

MCP方案适用于文本型PDF（无需OCR）、交互式工作流、开发和概念验证环境。对于需要OCR、表单提取和布局分析的复杂文档处理，Amazon Textract仍是推荐选择。

目标用户

• 合规和法律团队：在时间敏感的审查中，快速定位政策文档或合同中的特定条款。
• 金融服务团队：审计期间即时访问内部风险政策或监管文件。
• 高管团队：战略规划会议中即时查询财报数据点。

与Amazon Textract的对比 Amazon Textract是托管AI服务，专为大规模文档处理设计，处理扫描件、手写体和多栏布局。当需要OCR、表单与表格提取、复杂布局分析、生产级批处理或企业级支持时，选择Textract。

MCP方案则适用：文本型PDF（无需OCR）、交互式而非批处理、开发/概念验证环境、希望AI助手与源文档之间基础设施最小化。

方案工作原理 该方案使用MCP协议连接AI助手与S3中的PDF。架构包括：CLI用户界面、MCP通信层、自定义MCP服务器、Amazon S3存储，以及AWS IAM安全控制。

成本比较 以每月约10,000页文本PDF的概念验证环境为例：

• Amazon Textract：页面处理约15美元，S3存储2美元，Lambda计算1美元，LLM令牌约5-10美元，总计约23-28美元。
• MCP服务器：S3存储2美元，数据传输0.5美元，总计约2.5美元。

以上为示意性估算，实际费率请参考AWS官方定价页面。

架构概览 序列图展示了端到端工作流：AI客户端通过CLI发起请求，系统转发至MCP服务器，服务器从S3获取PDF，解析后提取文本并返回客户端。

实施步骤 前提条件：AWS账户（S3读取权限）、Python 3.10+、AWS CLI配置、Kiro CLI安装。

1. 创建项目文件夹~/s3-pdf-extractor。
2. 进入文件夹，创建Python虚拟环境并激活。
3. 安装依赖：pip install mcp boto3 PyPDF2。
4. 创建服务器文件s3_pdf_extractor.py，粘贴代码（使用PyPDF2提取文本，boto3下载S3文件）。
5. 测试服务器启动：运行脚本，无输出即正确。
6. 配置Kiro CLI：编辑~/.kiro/settings/tools/mcp.json，添加服务器配置。
7. 重启Kiro CLI并验证：执行命令extract text from s3://your-bucket/sample.pdf。

安全考量

• IAM集成：使用现有AWS凭证，无需单独管理API密钥。
• 最小权限：仅授予目标S3桶的读取权限。
• 临时存储：服务器处理完成后自动删除下载文件。

该方案提供了从S3文档中实时获取文本的能力，无需复杂基础设施，适合快速开发与概念验证。