Repolode
Enviar
Unstructured-IO

Unstructured-IO/unstructured

Biblioteca de Python de código abierto que divide PDFs, HTML, documentos de Word, correos electrónicos y otros documentos en elementos estructurados para pipelines de LLM.

Ver en GitHubSitio web
Estrellas
15,687
Forks
1,383
Issues abiertos
340
Último commit
ayer

¿Qué es?

Unstructured es una biblioteca de Python de código abierto para ingerir y preprocesar documentos de imagen y texto, como PDFs, páginas HTML, archivos de Word y correos electrónicos. Sus funciones de particionado detectan el tipo de archivo y convierten el contenido en una lista de elementos tipados (títulos, párrafos, tablas, entre otros), más fáciles de usar en modelos de lenguaje y sistemas de recuperación que el texto sin procesar.

La biblioteca ofrece un punto de entrada genérico, partition(), que dirige cada archivo a una función específica para su formato, y permite instalar solo los extras necesarios para determinados tipos de documento. Algunos formatos requieren dependencias del sistema opcionales, como tesseract para OCR, poppler para PDFs y libreoffice para archivos de MS Office. La telemetría se envía de forma predeterminada, pero se puede desactivar con las variables de entorno DO_NOT_TRACK o SCARF_NO_ANALYTICS.

El proyecto también ofrece una API alojada, Transform v2, que proporciona resultados de mayor calidad, pero la biblioteca de código abierto se mantiene como un componente gratuito.

Funciones clave

  • 01Divide PDFs, HTML, documentos de Word, correos electrónicos y otros formatos en elementos de documento tipados.
  • 02Detecta automáticamente el tipo de archivo y lo dirige a funciones de particionado específicas para cada formato.
  • 03Admite OCR para imágenes y PDFs escaneados mediante tesseract.
  • 04Permite instalar dependencias específicas por tipo de documento mediante extras opcionales para mantenerlas al mínimo.
  • 05Se puede ejecutar en un contenedor Docker con imágenes multiplataforma.

Casos de uso

  • Preparar documentos empresariales como fragmentos de texto depurados para generación aumentada por recuperación.
  • Extraer tablas y títulos de PDFs para su posterior análisis de datos.
  • Convertir correos electrónicos y archivos de Office en JSON estructurado para pipelines de ingesta.

Inicio rápido

  1. 1

    Descarga la imagen de Docker

    docker pull downloads.unstructured.io/unstructured-io/unstructured:latest
  2. 2

    Inicia un contenedor a partir de la imagen

    docker run -dt --name unstructured downloads.unstructured.io/unstructured-io/unstructured:latest
  3. 3

    Instala el SDK de Python con compatibilidad para todos los tipos de documentos

    pip install "unstructured[all-docs]"
  4. 4

    Divide un archivo de correo electrónico de ejemplo en Python

Antes de usarlo

  • Algunos tipos de documentos requieren paquetes del sistema como tesseract-ocr, poppler-utils o libreoffice.
  • La salida de mayor calidad solo está disponible a través de la API de pago Transform v2.

En colecciones

Herramientas de PDF, OCR y documentosHerramientas y bibliotecas de procesamiento del lenguaje natural

Temas

#document-parsing#ocr#pdf#llm#preprocessing#nlp#data-pipelines#deep-learning#document-image-analysis#document-image-processing

Preguntas frecuentes

¿Qué es unstructured?
Biblioteca de Python de código abierto que divide PDFs, HTML, documentos de Word, correos electrónicos y otros documentos en elementos estructurados para pipelines de LLM. Unstructured es una biblioteca de Python de código abierto para ingerir y preprocesar documentos de imagen y texto, como PDFs, páginas HTML, archivos de Word y correos electrónicos. Sus funciones de particionado detectan el tipo de archivo y convierten el contenido en una lista de elementos tipados (títulos, párrafos, tablas, entre otros), más fáciles de usar en modelos de lenguaje y sistemas de recuperación que el texto sin procesar.
¿unstructured es gratuito? ¿Qué licencia tiene?
unstructured es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿unstructured sigue mantenido?
Mantenimiento activo. El último commit de unstructured fue el 6 nov 2026.
¿Para qué puedo usar unstructured?
Preparar documentos empresariales como fragmentos de texto depurados para generación aumentada por recuperación. Extraer tablas y títulos de PDFs para su posterior análisis de datos. Convertir correos electrónicos y archivos de Office en JSON estructurado para pipelines de ingesta.
¿Cómo se instala unstructured?
Descarga la imagen de Docker: docker pull downloads.unstructured.io/unstructured-io/unstructured:latest Inicia un contenedor a partir de la imagen: docker run -dt --name unstructured downloads.unstructured.io/unstructured-io/unstructured:latest Instala el SDK de Python con compatibilidad para todos los tipos de documentos: pip install "unstructured[all-docs]" Divide un archivo de correo electrónico de ejemplo en Python
¿Dónde consigo unstructured?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Unstructured-IO/unstructured

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados