Unstructured-IO/unstructured

这是什么？

核心功能

• 01将 PDF、HTML、Word、邮件等格式解析为带类型的文档元素。
• 02自动识别文件类型，并调用对应格式的解析函数。
• 03通过 tesseract 支持图片和扫描 PDF 的 OCR。
• 04可按文档类型安装可选依赖，保持环境精简。
• 05提供多平台 Docker 镜像，可直接在容器中运行。

适用场景

• 将企业文档整理为干净的文本分块，用于检索增强生成（RAG）。
• 从 PDF 中提取表格和标题，供后续数据分析使用。
• 把邮件和 Office 文件转换为结构化 JSON，用于数据接入流程。

快速上手

1. 1

   拉取 Docker 镜像

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

   从镜像启动容器

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

   安装支持所有文档类型的 Python SDK

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

   在 Python 中解析示例邮件文件

使用前须知

• !部分文档类型需要 tesseract-ocr、poppler-utils 或 libreoffice 等系统依赖。
• !更高质量的输出仅通过付费的 Transform v2 API 提供。

收录于专题

标签

常见问题

unstructured 是什么？

开源 Python 库，把 PDF、HTML、Word、邮件等文档解析为结构化元素，便于用于大模型流程。 Unstructured 是一个开源 Python 库，用于读取和预处理 PDF、HTML、Word 文档、邮件等图片和文本文件。它的 partition 函数会识别文件类型，把内容转换为带类型的元素列表（如标题、段落、表格），比直接处理原始文本更适合输入大模型和检索系统。

unstructured 可以免费使用吗？用的什么许可证？

unstructured 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。

unstructured 还在维护吗？

活跃维护中。unstructured 最近一次提交是在 2026年11月6日。

unstructured 适合用来做什么？

将企业文档整理为干净的文本分块，用于检索增强生成（RAG）。 从 PDF 中提取表格和标题，供后续数据分析使用。 把邮件和 Office 文件转换为结构化 JSON，用于数据接入流程。

unstructured 怎么安装和运行？

拉取 Docker 镜像: docker pull downloads.unstructured.io/unstructured-io/unstructured:latest 从镜像启动容器: docker run -dt --name unstructured downloads.unstructured.io/unstructured-io/unstructured:latest 安装支持所有文档类型的 Python SDK: pip install "unstructured[all-docs]" 在 Python 中解析示例邮件文件

在哪里获取 unstructured？

源代码和安装说明在 GitHub 上：https://github.com/Unstructured-IO/unstructured