Skip to main content
Unstructured.IO 提供的 unstructured 包可从 PDF、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

如果你使用的是在本地运行的加载器，请按照以下步骤运行 unstructured 及其依赖项。
  • 为了最小化安装体积并使用开源 unstructured 包中没有的功能，可通过 pip install unstructured-client 安装 Python SDK， 并配合 pip install langchain-unstructured 使用 UnstructuredLoader，在 Unstructured API 上远程进行文档分区处理。 该加载器位于 LangChain 合作伙伴仓库而非 langchain-community 仓库，你需要一个 api_key，可在此处免费生成密钥。
  • 若要在本地运行所有内容，可通过 pip install unstructured 安装开源 Python 包， 并配合 pip install langchain-community 使用上述相同的 UnstructuredLoader。
    • 可以通过 extras 安装特定文档类型的依赖，例如 pip install "unstructured[docx]"。更多关于 extras 的信息请参阅此处。
    • 若要安装所有文档类型的依赖，可使用 pip install "unstructured[all-docs]"。
  • 如果以下系统依赖尚未在你的系统上安装，请使用如 brew install（Mac）等方式安装。根据你需要解析的文档类型，可能不需要全部安装。
    • 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 还建议按照此指南使用 Docker，以确保所有系统依赖正确安装。
Unstructured API 需要 API 密钥才能发出请求。 你可以在此处申请 API 密钥并立即开始使用！ 查看此处的 README 开始进行 API 调用。 我们非常希望听到你的反馈，欢迎在我们的社区 Slack中告知进展。 并请持续关注质量和性能方面的改进！ 如果你想自托管 Unstructured API 或在本地运行，请查看此处的说明。

​
数据加载器

Unstructured 的主要用途是数据加载器。

​
UnstructuredLoader

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

​
UnstructuredCHMLoader

CHM 代表 Microsoft Compiled HTML Help（微软编译 HTML 帮助文件）。 
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定界文本文件。文件的每一行是一条数据记录，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，是 “electronic publication” 的缩写，有时也写作 ePub。EPUB 受许多电子书阅读器支持，大多数智能手机、平板电脑和计算机都有兼容的软件。 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。它的开发目标是为办公应用程序提供一种开放的、基于 XML 的文件格式规范。 查看使用示例。 
from langchain_community.document_loaders import UnstructuredODTLoader

​
UnstructuredOrgModeLoader

Org Mode 文档是一种在免费软件文本编辑器 Emacs 中用于笔记、规划和写作的文档编辑、格式化和组织模式。 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）文件是一种文本数据文件格式，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

查看 API 文档中的使用示例。 
from langchain_community.document_loaders import UnstructuredRTFLoader

​
UnstructuredTSVLoader

制表符分隔值（TSV）文件是一种用于存储表格数据的简单文本文件格式。记录之间用换行符分隔，记录中的值之间用制表符分隔。 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
在 GitHub 上编辑此页面或提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等以获取实时答案。