跳到主要内容
来自 Unstructured.IO 的 unstructured 软件包可以从原始源文档（如 PDF 和 Word 文档）中提取干净的文本。本页面介绍了如何在 LangChain 中使用 unstructured 生态系统。

​
安装和设置

如果您正在使用本地运行的加载器，请按照以下步骤来运行 unstructured 及其依赖项。
  • 为了最小化安装占用空间并利用开源 unstructured 软件包中不提供的功能，请通过 pip install unstructured-client 安装 Python SDK，并同时安装 pip install langchain-unstructured，以便使用 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 仓库中，您将需要一个 api_key，您可以在此处免费生成一个密钥。
  • 要在本地运行所有内容，请通过 pip install unstructured 安装开源 Python 软件包，并同时安装 pip install langchain-community，然后使用上面提到的相同的 UnstructuredLoader。
    • 您可以使用额外功能安装特定于文档的依赖项，例如 pip install "unstructured[docx]"。在此处了解有关额外功能的更多信息：此处。
    • 要安装所有文档类型的依赖项，请使用 pip install "unstructured[all-docs]"。
  • 如果您的系统尚未安装以下系统依赖项，请使用例如 Mac 上的 brew install 进行安装。根据您要解析的文档类型，您可能不需要所有这些依赖项。
    • libmagic-dev（文件类型检测）
    • poppler-utils（图片和 PDF）
    • tesseract-ocr（图片和 PDF）
    • qpdf（PDF）
    • libreoffice（MS Office 文档）
    • pandoc（EPUB）
  • 在本地运行时，Unstructured 还建议按照本指南使用 Docker，以确保所有系统依赖项都已正确安装。
Unstructured API 需要 API 密钥才能发出请求。您可以在此处申请一个 API 密钥，并立即开始使用它！请查看此处的 README 文件，开始进行 API 调用。我们很高兴听到您的反馈，请在我们的社区 Slack 中告诉我们进展如何。请继续关注质量和性能方面的改进！如果您想自托管 Unstructured API 或在本地运行它，请查看此处的说明。

​
数据加载器

Unstructured 的主要用途是在数据加载器中。

​
UnstructuredLoader

请参阅使用示例，了解如何使用此加载器在本地和远程通过无服务器 Unstructured API 进行分区。 
from langchain_unstructured import UnstructuredLoader

​
UnstructuredCHMLoader

CHM 表示 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有界文本文件。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。 请参阅使用示例。
from langchain_community.document_loaders import UnstructuredCSVLoader

​
UnstructuredEmailLoader

请参阅使用示例。 
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 受到许多电子阅读器的支持，并且兼容的软件可用于大多数智能手机、平板电脑和计算机。 请参阅使用示例。
from langchain_community.document_loaders import UnstructuredEPubLoader

​
UnstructuredExcelLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredExcelLoader

​
UnstructuredFileIOLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredFileIOLoader

​
UnstructuredHTMLLoader

from langchain_community.document_loaders import UnstructuredHTMLLoader

​
UnstructuredImageLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredImageLoader

​
UnstructuredMarkdownLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredMarkdownLoader

​
UnstructuredODTLoader

开放文档格式办公应用程序 (ODF)，也称为 OpenDocument，是一种开放文件格式，用于文字处理文档、电子表格、演示文稿和图形，并使用 ZIP 压缩的 XML 文件。它的开发旨在为办公应用程序提供一个开放的、基于 XML 的文件格式规范。 请参阅使用示例。
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，专为自由软件文本编辑器 Emacs 中的笔记、计划和创作而设计。 请参阅使用示例。
from langchain_community.document_loaders import UnstructuredOrgModeLoader

​
UnstructuredPDFLoader

from langchain_community.document_loaders import UnstructuredPDFLoader

​
UnstructuredPowerPointLoader

请参阅使用示例。 
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 编程语言社区用于技术文档。 请参阅使用示例。
from langchain_community.document_loaders import UnstructuredRSTLoader

​
UnstructuredRTFLoader

请参阅 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。 请参阅使用示例。
from langchain_community.document_loaders import UnstructuredTSVLoader

​
UnstructuredURLLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredURLLoader

​
UnstructuredWordDocumentLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredWordDocumentLoader

​
UnstructuredXMLLoader

请参阅使用示例。 
from langchain_community.document_loaders import UnstructuredXMLLoader
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.