Skip to main content
来自 Unstructured.IO 的 unstructured 包可以从 PDF 和 Word 文档等原始源文档中提取干净的文本。 本页介绍如何在 LangChain 中使用 unstructured 生态系统。

​
安装与设置

如果您使用的是本地运行的加载器，请按照以下步骤获取 unstructured 及其依赖项。
  • 为了获得最小的安装占用空间，并利用开源 unstructured 包中不可用的功能，请使用 pip install unstructured-client 安装 Python SDK，并使用 pip install langchain-unstructured 来使用 UnstructuredLoader 并通过 Unstructured API 进行远程分区。此加载器位于 LangChain 合作伙伴仓库中，而非 langchain-community 仓库，您需要一个 api_key。您可以在 Unstructured API 密钥页面生成一个免费密钥。
  • 要完全在本地运行，请使用 pip install unstructured 安装开源 Python 包，并使用 pip install langchain-community，然后使用与上述相同的 UnstructuredLoader。
    • 您可以使用 extras 安装特定于文档的依赖项，例如 pip install "unstructured[docx]"。在完整安装文档中了解更多关于 extras 的信息。
    • 要安装所有文档类型的依赖项，请使用 pip install "unstructured[all-docs]"。
  • 如果您的系统上尚未提供以下系统依赖项，请使用例如 brew install（适用于 Mac）进行安装。 根据您正在解析的文档类型，您可能不需要所有这些依赖项。
    • libmagic-dev（文件类型检测）
    • poppler-utils（图像和 PDF）
    • tesseract-ocr（图像和 PDF）
    • qpdf（PDF）
    • libreoffice（MS Office 文档）
    • pandoc（EPUB）
  • 在本地运行时，Unstructured 还建议使用 Docker 按照此指南操作，以确保所有系统依赖项都已正确安装。
Unstructured API 需要 API 密钥才能发起请求。 您可以申请一个 API 密钥并立即开始使用！ 查看 Unstructured API README 以开始进行 API 调用。 我们很乐意听取您的反馈，请在我们的社区 Slack 中告诉我们进展如何。 敬请期待质量和性能方面的改进！ 如果您想自托管 Unstructured API 或在本地运行，请查看 Docker 自托管说明。

​
数据加载器

Unstructured 的主要用途是在数据加载器中。

​
UnstructuredLoader

查看使用示例，了解如何使用此加载器进行本地分区以及通过无服务器 Unstructured API 进行远程分区。 
from langchain_unstructured import UnstructuredLoader

​
UnstructuredCHMLoader

CHM 代表 Microsoft Compiled HTML Help。 
from langchain_community.document_loaders import UnstructuredCHMLoader

​
UnstructuredCSVLoader

逗号分隔值（CSV）文件是一种使用逗号分隔值的分隔文本文件。文件的每一行都是一条数据记录。每条记录由一个或多个字段组成，字段之间用逗号分隔。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredCSVLoader

​
UnstructuredEmailLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredEmailLoader

​
UnstructuredEPubLoader

EPUB 是一种使用“.epub”文件扩展名的电子书文件格式。该术语是 electronic publication 的缩写，有时也写作 ePub。EPUB 被许多电子阅读器支持，并且大多数智能手机、平板电脑和计算机都有兼容的软件可用。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredEPubLoader

​
UnstructuredExcelLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredExcelLoader

​
UnstructuredFileIOLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredFileIOLoader

​
UnstructuredHTMLLoader

from langchain_community.document_loaders import UnstructuredHTMLLoader

​
UnstructuredImageLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredImageLoader

​
UnstructuredMarkdownLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredMarkdownLoader

​
UnstructuredODTLoader

办公应用程序开放文档格式 (ODF)，也称为 OpenDocument，是一种用于文字处理文档、电子表格、演示文稿和图形的开放文件格式，使用 ZIP 压缩的 XML 文件。其开发目标是提供一个开放的、基于 XML 的文件格式规范，用于办公应用程序。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredODTLoader

​
UnstructuredOrgModeLoader

Org Mode 文档是一种文档编辑、格式化和组织模式，专为在自由软件文本编辑器 Emacs 中进行笔记、规划和创作而设计。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredOrgModeLoader

​
UnstructuredPDFLoader

from langchain_community.document_loaders import UnstructuredPDFLoader

​
UnstructuredPowerPointLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredPowerPointLoader

​
UnstructuredRSTLoader

reStructured Text（RST）文件是一种用于文本数据的文件格式，主要在 Python 编程语言社区中用于技术文档。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredRSTLoader

​
UnstructuredRTFLoader

在 API 文档中查看使用示例。 
from langchain_community.document_loaders import UnstructuredRTFLoader

​
UnstructuredTSVLoader

制表符分隔值（TSV）文件是一种简单的、基于文本的文件格式，用于存储表格数据。记录由换行符分隔，记录中的值由制表符分隔。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredTSVLoader

​
UnstructuredURLLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredURLLoader

​
UnstructuredWordDocumentLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredWordDocumentLoader

​
UnstructuredXMLLoader

查看使用示例。 
from langchain_community.document_loaders import UnstructuredXMLLoader
将这些文档连接到 Claude、VSCode 等，通过 MCP 获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。