extractous

一条命令提取所有文档内容，快如闪电

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 98 🐛 待处理 34 👀 关注 18

GitHub ↗

GitHub 星标 ★ 1787

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0 许可证，可免费使用和部署。

项目预览

项目数据

分类搜索知识

开发团队yobix-ai

GitHubhttps://github.com/yobix-ai/extractous

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0 许可证，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Rust

技术栈/模型data-pipelines,docx,etl,etl-pipelines,extraction,llm,machine-learning,natural-language-processing,nlp,ocr,pdf,pdf-parser,rag,rust,tika,unstructured,unstructured-data

GitHub 星标★ 1787

上线时间2024-06-04 00:00:00

代码更新2024-12-21

仓库体积3.0 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数3

项目介绍

extractous 是一个用 Rust 编写的高性能非结构化数据提取库，旨在解决从 PDF、Word、HTML、图片等各类文件中快速提取文本和元数据的问题。它提供统一的 API，支持多种语言绑定（如 Python、Java、Node.js 等），让开发者无需处理底层格式细节。核心能力包括：支持超过 20 种文件格式的解析、流式处理大文件、自动检测文件类型、以及可扩展的解析器架构。相比传统工具（如 Apache Tika），extractous 在速度和内存占用上具有显著优势，适合用于搜索引擎索引、文档分析、RAG 流水线等场景。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1787

技术标签

data-pipelines docx etl llm machine-learning

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：库/依赖 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 的网络环境，用于克隆仓库
Rust 工具链（项目核心用 Rust 编写，如需从源码构建）
按所选语言绑定准备对应运行时：Python、Java 或 Node.js

安装与启动步骤

1确认信息范围

本次 README 节选只含项目介绍与 Quickstart 标题，未提供任何安装命令，需以仓库完整 README 为准。
2克隆官方仓库

从 GitHub 拉取源码，后续可在仓库的 Quickstart 与各语言绑定目录中查找实际安装命令。
```
git clone https://github.com/yobix-ai/extractous.git
```
3阅读 Quickstart

进入仓库后打开 README 的 Quickstart 章节，按其中示例选择对应语言绑定，不要自行猜测包名。
```
cd extractous
```
4选择语言绑定

项目提供 Python、Java、Node.js 等多语言绑定，按你的技术栈选用对应绑定并查看其说明。
5准备测试文件

准备 PDF、Word、HTML 等样本文档，用于按 README 示例验证文本与元数据提取效果。