非结构化
unstructured
包来自 Unstructured.IO,可以从 PDF 和 Word 文档等原始文档中提取干净的文本。
本页面介绍如何在 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程序,请按照以下步骤在本地运行 unstructured
及其依赖项。
使用
pip install unstructured
安装 Python SDK。您可以使用额外的方式安装特定于文档的依赖项,例如
pip install "unstructured[docx]"
。要安装所有文档类型的依赖项,请使用
pip install "unstructured[all-docs]"
。
如果系统上尚未安装以下系统依赖项,请安装以下系统依赖项。
根据您要解析的文档类型,您可能不需要全部这些依赖项。
libmagic-dev
(文件类型检测)poppler-utils
(图像和 PDF)tesseract-ocr
(图像和 PDF)libreoffice
(MS Office 文档)pandoc
(EPUB)
如果您想要更少的设置就能运行起来,您可以简单地运行 pip install unstructured
并使用 UnstructuredAPIFileLoader
或 UnstructuredAPIFileIOLoader
。这将使用托管的 Unstructured API 处理您的文档。
Unstructured API
需要 API 密钥来发出请求。
您可以在 这里 请求 API 密钥,并立即开始使用它!
查看 README 这里 以开始发出 API 调用。
我们很乐意听取您的反馈,请让我们知道进展如何在我们的 社区 Slack 中。
请继续关注对质量和性能的改进!
如果您想要自行托管 Unstructured API 或在本地运行它,请查看 这里 的说明。
数据加载器
Unstructured
的主要用途是数据加载器。
UnstructuredAPIFileIOLoader
查看 使用示例。
from langchain_community.document_loaders import UnstructuredAPIFileIOLoader
UnstructuredAPIFileLoader
查看 使用示例。
from langchain_community.document_loaders import UnstructuredAPIFileLoader
UnstructuredCHMLoader
CHM
意为 Microsoft Compiled HTML Help
。
在 API 文档中查看使用示例。
from langchain_community.document_loaders import UnstructuredCHMLoader
UnstructuredCSVLoader
逗号分隔值
(CSV
)文件是一个使用逗号分隔值的分隔文本文件。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 是一种使用“.epub”文件扩展名的 电子书文件格式
。该术语缩写为电子出版物,有时被称为 ePub
。EPUB
受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
UnstructuredFileLoader
查看 使用示例。
from langchain_community.document_loaders import UnstructuredFileLoader
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提供基于开放式、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文档是一种用于在自由软件文本编辑器Emacs中进行笔记、规划和撰写的文档编辑、格式化和组织模式。
查看使用示例。
from langchain_community.document_loaders import UnstructuredOrgModeLoader
UnstructuredPDFLoader
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
)文件是主要用于Python编程语言社区的技术文档的文本数据文件格式。
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
tab-separated values
(TSV
)文件是一种用于存储表格数据的简单的基于文本的文件格式。记录由换行符分隔,记录内的值由制表符分隔。
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