跳到主要內容
Open on GitHub

Unstructured

來自 Unstructured.IO 的 unstructured 套件可從原始來源文件（如 PDF 和 Word 文件）中提取乾淨的文字。本頁涵蓋如何在 LangChain 中使用 unstructured 生態系統。

安裝與設定​

如果您使用的是在本機執行的載入器，請按照以下步驟讓 unstructured 及其相依性套件運作。

  • 為了最小的安裝佔用空間，並利用開源 unstructured 套件中未提供的功能，請使用 pip install unstructured-client 安裝 Python SDK，並同時使用 pip install langchain-unstructured 來使用 UnstructuredLoader，並針對 Unstructured API 遠端進行分割。此載入器位於 LangChain 合作夥伴儲存庫中，而非 langchain-community 儲存庫，您需要一個 api_key，您可以在這裡產生免費金鑰。

  • 若要在本機執行所有項目，請使用 pip install unstructured 安裝開源 Python 套件，並同時使用 pip install langchain-community，並使用與上述相同的 UnstructuredLoader。

    • 您可以使用 extras 安裝文件特定的相依性套件，例如 pip install "unstructured[docx]"。如需瞭解更多關於 extras 的資訊，請參閱這裡。
    • 若要安裝所有文件類型的相依性套件，請使用 pip install "unstructured[all-docs]"。

  • 如果您的系統上尚無以下系統相依性套件，請安裝它們，例如使用 Mac 的 brew install。根據您要解析的文件類型，您可能不需要所有這些套件。

    • libmagic-dev (檔案類型偵測)
    • poppler-utils (圖像和 PDF)
    • tesseract-ocr(圖像和 PDF)
    • qpdf (PDF)
    • libreoffice (MS Office 文件)
    • pandoc (EPUB)

  • 在本機執行時，Unstructured 也建議使用 Docker 按照本指南，以確保所有系統相依性套件都正確安裝。

Unstructured API 需要 API 金鑰才能發出請求。您可以在這裡請求 API 金鑰，並立即開始使用！查看 README 這裡以開始發出 API 呼叫。我們很樂意聽到您的意見回饋，請在我們的社群 Slack 中告訴我們您的使用體驗。敬請期待品質和效能的提升！如果您想自行託管 Unstructured API 或在本機執行它，請查看這裡的說明。

資料載入器​

Unstructured 的主要用途是在資料載入器中。

UnstructuredLoader​

請參閱使用範例，瞭解如何將此載入器用於在本機分割和使用無伺服器 Unstructured API 遠端分割。

from langchain_unstructured import UnstructuredLoader
API 參考：UnstructuredLoader

UnstructuredCHMLoader​

CHM 表示 Microsoft Compiled HTML Help。

from langchain_community.document_loaders import UnstructuredCHMLoader

UnstructuredCSVLoader​

逗號分隔值 (CSV) 檔案是一種分隔文字檔，使用逗號分隔值。檔案的每一行都是一筆資料記錄。每筆記錄由一個或多個欄位組成，欄位之間以逗號分隔。

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredCSVLoader

UnstructuredEmailLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredEmailLoader

UnstructuredEPubLoader​

EPUB 是一種 電子書檔案格式，使用「.epub」檔案副檔名。該詞是 electronic publication（電子出版品）的縮寫，有時會寫成 ePub。許多電子閱讀器都支援 EPUB，且大多數智慧型手機、平板電腦和電腦都有相容的軟體。

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredEPubLoader

UnstructuredExcelLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredExcelLoader

UnstructuredFileIOLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredFileIOLoader

UnstructuredHTMLLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredHTMLLoader

UnstructuredImageLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredImageLoader

UnstructuredMarkdownLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredMarkdownLoader

UnstructuredODTLoader​

辦公室應用程式開放文件格式 (ODF)，也稱為 OpenDocument，是一種用於文字處理文件、試算表、簡報和圖形的開放檔案格式，並使用 ZIP 壓縮的 XML 檔案。它的開發目的是為辦公室應用程式提供開放的、基於 XML 的檔案格式規範。

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredODTLoader

UnstructuredOrgModeLoader​

Org Mode 文件是一種文件編輯、格式化和組織模式，專為筆記、規劃和在自由軟體文字編輯器 Emacs 中撰寫而設計。

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredOrgModeLoader

UnstructuredPDFLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredPDFLoader

UnstructuredPowerPointLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredPowerPointLoader

UnstructuredRSTLoader​

reStructured Text (RST) 檔案是一種用於文字資料的檔案格式，主要在 Python 程式設計語言社群中用於技術文件。

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredRSTLoader

UnstructuredRTFLoader​

請參閱 API 文件中的使用範例。

from langchain_community.document_loaders import UnstructuredRTFLoader

UnstructuredTSVLoader​

Tab 分隔值 (TSV) 檔案是一種簡單的、基於文字的檔案格式，用於儲存表格資料。記錄以換行符分隔，記錄內的值以 Tab 字元分隔。

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredTSVLoader

UnstructuredURLLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredURLLoader

UnstructuredWordDocumentLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredWordDocumentLoader

UnstructuredXMLLoader​

請參閱使用範例。

from langchain_community.document_loaders import UnstructuredXMLLoader

此頁面是否有幫助？