跳到主要内容
Open on GitHub

Unstructured

来自 Unstructured.IO 的 unstructured 包从原始源文档（如 PDF 和 Word 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。

安装和设置​

如果您使用的是本地运行的加载器，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 并针对 Unstructured API 进行远程分区。此加载器位于 LangChain 合作伙伴仓库中，而不是 langchain-community 仓库中，您需要一个 api_key，您可以在这里生成一个免费密钥。

  • 要本地运行所有内容，请使用 pip install unstructured 安装开源 python 包，并使用 pip install langchain-community 以及上面提到的相同 UnstructuredLoader。

    • 您可以使用 extras 安装文档特定的依赖项，例如 pip install "unstructured[docx]"。了解更多关于 extras 的信息，请点击这里。
    • 要安装所有文档类型的依赖项，请使用 pip install "unstructured[all-docs]"。

  • 如果您的系统上尚不可用，请安装以下系统依赖项，例如使用 Mac 的 brew install。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 按照本指南来确保所有系统依赖项都正确安装。

Unstructured API 需要 API 密钥才能发出请求。您可以在这里申请 API 密钥并立即开始使用！查看 README 这里开始进行 API 调用。我们很乐意听到您的反馈，请在我们的社区 Slack 中告诉我们您的体验。并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，请查看这里的说明。

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，了解如何将此加载器用于本地分区和使用无服务器 Unstructured API 进行远程分区。

from langchain_unstructured import UnstructuredLoader

UnstructuredCHMLoader​

CHM 代表 Microsoft Compiled HTML Help (Microsoft 编译的 HTML 帮助文档)。

from langchain_community.document_loaders import UnstructuredCHMLoader

UnstructuredCSVLoader​

逗号分隔值 (CSV) 文件是一种分隔文本文件，使用逗号分隔值。文件的每一行都是一个数据记录。每个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 电子书文件格式，使用“.epub”文件扩展名。该术语是 electronic publication (电子出版物) 的缩写，有时也写成 ePub。 EPUB 受到许多电子阅读器的支持，并且大多数智能手机、平板电脑和计算机都有兼容软件。

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​

查看使用示例。

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​

Open Document Format for Office Applications (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。它的开发目的是为办公应用程序提供开放的、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、计划和创作而设计。

查看使用示例。

from langchain_community.document_loaders import UnstructuredOrgModeLoader

UnstructuredPDFLoader​

查看使用示例。

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​

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

此页是否对您有帮助？