unstructured

环境要求

• Python 环境（项目提供 PyPI 包 unstructured）
• pip 可用，用于安装 PyPI 包
• 按需的系统依赖：libmagic-dev、poppler-utils、tesseract-ocr、libreoffice
• 如使用容器方式，需先安装 Docker
• 本地开发需安装 uv 依赖管理工具

安装与启动步骤

1. 1安装 Python SDK

   安装支持全部文档类型的完整版；若只处理文本、HTML、XML、JSON、邮件，装基础版即可。

   pip install "unstructured[all-docs]"

   复制

2. 2安装系统依赖

   按需安装，不同文档类型需要的依赖不同，未用到可不装。

   apt-get install -y libmagic-dev poppler-utils tesseract-ocr libreoffice

   复制

3. 3验证解析效果

   用 partition 通用入口解析示例邮件文件并打印元素文本，能输出内容即安装成功。

   python3 - <<'PY'
   from unstructured.partition.auto import partition
   
   elements = partition(filename="example-docs/eml/fake-email.eml")
   print("\n\n".join([str(el) for el in elements]))
   PY

   复制

4. 4拉取 Docker 镜像

   镜像支持 x86_64 与 Apple silicon，docker pull 会自动选择对应架构。

   docker pull downloads.unstructured.io/unstructured-io/unstructured:latest

   复制

5. 5进入容器操作

   该命令要求已有一个名为 unstructured 的运行中容器，进入后可直接用交互模式解析文档。

   docker exec -it unstructured bash

   复制

如何确认成功

运行 partition(filename="example-docs/eml/fake-email.eml") 并打印结果，能正常输出解析出的元素文本即表示安装成功。

常见问题

注意事项

• Docker 镜像基于 wolfi-base，该基础镜像会定期更新，本地构建 docker-build 可能因上游变更而失败。
• 若只解析某一种数据，可在 Dockerfile 中注释掉其他数据类型的包/依赖以加快镜像构建。
• pandoc 已通过 pypandoc-binary Python 包自动捆绑，无需额外系统安装。
• 本地开发安装需先安装 uv 进行依赖管理，具体步骤见 README 后续内容与官方安装文档。