Unstructured-IO/unstructured

Что это?

Ключевые возможности

• 01Разбивает PDF, HTML, документы Word, письма и файлы других форматов на типизированные элементы.
• 02Автоматически определяет тип файла и направляет его в функцию обработки соответствующего формата.
• 03Поддерживает OCR изображений и отсканированных PDF с помощью tesseract.
• 04Позволяет устанавливать дополнительные зависимости отдельно для каждого типа документов, чтобы не раздувать набор зависимостей.
• 05Работает в Docker-контейнере с мультиплатформенными образами.

Сценарии использования

• Подготовка корпоративных документов в виде чистых текстовых фрагментов для генерации с дополнением поиском.
• Извлечение таблиц и заголовков из PDF для последующего анализа данных.
• Преобразование писем и файлов Office в структурированный JSON для конвейеров загрузки данных.

Быстрый старт

1. 1

   Загрузите образ Docker

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

   Запустите контейнер из образа

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

   Установите Python SDK с поддержкой всех типов документов

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

   Разбейте пример файла электронной почты на части с помощью Python

Что важно знать

• !Для некоторых типов документов нужны системные пакеты, например tesseract-ocr, poppler-utils или libreoffice.
• !Результаты более высокого качества доступны только через платный API Transform v2.

В подборках

Темы

Частые вопросы

Что такое unstructured?

Библиотека Python с открытым исходным кодом, которая разбивает PDF, HTML, документы Word, письма и другие файлы на структурированные элементы для конвейеров LLM. Unstructured — библиотека Python с открытым исходным кодом для загрузки и предварительной обработки документов с изображениями и текстом: PDF, HTML-страниц, файлов Word, писем и других форматов. Функции partition определяют тип файла и преобразуют его содержимое в список типизированных элементов — заголовков, абзацев, таблиц и т. д. Их проще передавать языковым моделям и системам поиска, чем исходный текст.

unstructured можно использовать бесплатно? Какая у него лицензия?

unstructured распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.

unstructured всё ещё поддерживается?

Активно поддерживается. Последний коммит в unstructured — 6 нояб. 2026 г..

Для чего можно использовать unstructured?

Подготовка корпоративных документов в виде чистых текстовых фрагментов для генерации с дополнением поиском. Извлечение таблиц и заголовков из PDF для последующего анализа данных. Преобразование писем и файлов Office в структурированный JSON для конвейеров загрузки данных.

Как установить unstructured?

Загрузите образ Docker: docker pull downloads.unstructured.io/unstructured-io/unstructured:latest Запустите контейнер из образа: docker run -dt --name unstructured downloads.unstructured.io/unstructured-io/unstructured:latest Установите Python SDK с поддержкой всех типов документов: pip install "unstructured[all-docs]" Разбейте пример файла электронной почты на части с помощью Python

Где скачать unstructured?

Исходный код и инструкции по установке — на GitHub: https://github.com/Unstructured-IO/unstructured