PDF 和 Word 怎么喂给大模型？Unstructured：把杂乱文档变成干净结构化数据

GitHub 仓库

Unstructured-IO/unstructured

总 Stars

★ 15,646

主要语言

Python

查看 GitHub 项目

结论先说：Unstructured 是把 PDF、Word 等杂乱文档转成干净结构化数据的开源工具，15,646 个 star，Apache-2.0 协议，2026 年 10 月 30 日仍有提交。这是编辑精选的常青项目，不是当日热榜。

是什么

它是面向大模型的文档预处理库：解析 PDF、DOCX、HTML、图片等文件，按标题、段落、表格切分，输出可直接进向量库的干净文本。

能干嘛

做 RAG 问答、文档检索、数据抽取时，先用它把一堆文件洗成统一格式，省掉自己写解析器的麻烦。

适合谁

做企业知识库、文档问答的开发者。对比 MinerU，它更偏通用 ETL 流水线，表格和版式处理是强项。

问：所有 PDF 丢进去效果都一样好吗？

不是。扫描件和复杂版式的识别效果因文件而异。留意：依赖比较重，先拿自己的样本文件实测一轮再决定是否全量接入。

站长点评

我选它是因为文档预处理是 RAG 里最容易被低估的一环，这个库把脏活集中处理了，API 核验时看到它 10 月 30 日还在更新，维护状态我放心。

项目地址：https://github.com/Unstructured-IO/unstructured