> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# Unstructured 集成

> 使用 LangChain Python 与 Unstructured 进行集成。

> 来自 [Unstructured.IO](https://www.unstructured.io/) 的 `unstructured` 包可以从 PDF 和 Word 文档等原始源文档中提取干净的文本。
> 本页面介绍如何在 LangChain 中使用 [`unstructured`](https://github.com/Unstructured-IO/unstructured)
> 生态系统。

## 安装与设置

如果您使用的是本地运行的加载器，请使用以下步骤来运行 `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，请安装 Python SDK 与 `pip install unstructured-client`
  一起安装 `pip install langchain-unstructured` 以使用 `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，您将需要一个
  `api_key`。您可以在 [Unstructured API 密钥页面生成免费密钥](https://unstructured.io/api-key/)。
  * Unstructured 的 SDK 文档可在此处找到：
    [https://docs.unstructured.io/api-reference/api-services/sdk](https://docs.unstructured.io/api-reference/api-services/sdk)

* 要在本地运行所有内容，请安装开源 Python 包 `pip install unstructured`
  以及 `pip install langchain-community` 并使用上述相同的 `UnstructuredLoader`。
  * 您可以使用扩展安装特定于文档的依赖项，例如 `pip install "unstructured[docx]"`。有关扩展的更多信息，请参阅 [完整安装文档](https://docs.unstructured.io/open-source/installation/full-installation)。
  * 要安装所有文档类型的依赖项，请使用 `pip install "unstructured[all-docs]"`。

* 如果您的系统上尚未提供以下系统依赖项，请安装它们，例如 Mac 上使用 `brew install`。
  根据您正在解析的文档类型，您可能不需要所有这些。
  * `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 [按照此
  指南](https://docs.unstructured.io/open-source/installation/docker-installation) 以确保所有
  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 [申请 API 密钥](https://unstructured.io/api-key-hosted) 并开始使用！
查看 [Unstructured API README](https://github.com/Unstructured-IO/unstructured-api) 以开始进行 API 调用。
我们非常乐意听取您的反馈，请在我们的 [社区 Slack](https://join.slack.com/t/unstructuredw-kbe4326/shared_invite/zt-1x7cgo0pg-PTptXWylzPQF9xZolzCnwQ) 中告诉我们进展如何。
敬请关注质量和性能的提升！
如果您想自行托管 Unstructured API 或在本地运行它，请查看 [Docker 自托管说明](https://github.com/Unstructured-IO/unstructured-api#dizzy-instructions-for-using-the-docker-image)。

## 数据加载器

“Unstructured”的主要用途在于数据加载器。

### UnstructuredLoader

查看 [使用示例](/oss/python/integrations/document_loaders/unstructured_file) 以了解如何使用
此加载器在本地和通过无服务器 Unstructured API 进行远程分区。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_unstructured import UnstructuredLoader
```

### UnstructuredCHMLoader

`CHM` 表示 `Microsoft Compiled HTML Help`。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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](/oss/python/integrations/document_loaders/csv#unstructuredcsvloader)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredCSVLoader
```

### UnstructuredEmailLoader

查看 [使用示例](/oss/python/integrations/document_loaders/email)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredEmailLoader
```

### UnstructuredEPubLoader

[EPUB](https://en.wikipedia.org/wiki/EPUB) 是一种 `电子书文件格式` 使用
`.epub` 文件扩展名。该术语是电子出版物的缩写，
有时也写作 `ePub`。`EPUB` 受到许多电子阅读器的支持，并且兼容
软件适用于大多数智能手机、平板电脑和计算机。

查看 [使用示例](/oss/python/integrations/document_loaders/epub)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredEPubLoader
```

### UnstructuredExcelLoader

查看 [使用示例](/oss/python/integrations/document_loaders/microsoft_excel)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredExcelLoader
```

### UnstructuredFileIOLoader

查看 [使用示例](/oss/python/integrations/document_loaders/google_drive#passing-in-optional-file-loaders)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredFileIOLoader
```

### UnstructuredHTMLLoader

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredHTMLLoader
```

### UnstructuredImageLoader

查看 [使用示例](/oss/python/integrations/document_loaders/image)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredImageLoader
```

### UnstructuredMarkdownLoader

查看 [使用示例](/oss/python/integrations/vectorstores/starrocks)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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 XML 文件。它的开发目的是
为办公应用程序提供一个开放的、基于 XML 的文件格式规范。

查看 [使用示例](/oss/python/integrations/document_loaders/odt)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredODTLoader
```

### UnstructuredOrgModeLoader

[Org Mode](https://en.wikipedia.org/wiki/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 内进行笔记、规划和创作而设计。

查看 [使用示例](/oss/python/integrations/document_loaders/org_mode)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredOrgModeLoader
```

### UnstructuredPDFLoader

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredPDFLoader
```

### UnstructuredPowerPointLoader

查看 [使用示例](/oss/python/integrations/document_loaders/microsoft_powerpoint)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredPowerPointLoader
```

### UnstructuredRSTLoader

`reStructured Text`（`RST`）文件是一种文本数据
文件格式，主要用于 Python 编程社区的技术文档。

查看 [使用示例](/oss/python/integrations/document_loaders/rst)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredRSTLoader
```

### UnstructuredRTFLoader

在 API 文档中查看使用示例。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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，记录内的值由制表符字符分隔。

查看 [使用示例](/oss/python/integrations/document_loaders/tsv)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredTSVLoader
```

### UnstructuredURLLoader

查看 [使用示例](/oss/python/integrations/document_loaders/url)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredURLLoader
```

### UnstructuredWordDocumentLoader

查看 [使用示例](/oss/python/integrations/document_loaders/microsoft_word#using-unstructured)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredWordDocumentLoader
```

### UnstructuredXMLLoader

查看 [使用示例](/oss/python/integrations/document_loaders/xml)。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_community.document_loaders import UnstructuredXMLLoader
```

***

<div className="source-links">
  <Callout icon="edit">
    [Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\python\integrations\providers\unstructured.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
  </Callout>

  <Callout icon="terminal-2">
    [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.
  </Callout>
</div>