extractous

一条命令提取所有文档内容，快如闪电

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。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1781

维护状态低维护

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队yobix-ai

所属国家

官网地址

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

定价模式free

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

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★ 1781

30天Star增速

HF 下载量

上线时间2024-06-04 00:00:00

最近更新2026-09-20 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

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。

如何确认成功

README 节选中未给出启动或验证命令，需按仓库 Quickstart 中对应语言绑定的示例代码运行并确认能输出提取文本。

常见问题

Q：需要调用外部 API 或部署服务吗？

A：不需要。README 明确说明 Extractous 的初衷就是摆脱外部服务与 API，在本地高效完成内容提取。

Q：支持哪些文件格式？

A：README 提到支持 PDF、Word、HTML 等多种格式，完整格式清单见仓库 README 的 supported-file-formats 章节。

Q：和 unstructured-io 相比性能如何？

A：README 的演示称 Extractous 比 unstructured-io 快 25 倍，完整基准测试见其 benchmarking 仓库。

Q：有哪些语言的绑定？

A：项目定位是为 Rust 核心提供多语言绑定，README 提到包括 Python、Java、Node.js 等，具体以仓库说明为准。

注意事项

本 README 节选未包含任何安装命令，steps 仅为通用准备动作，安装请务必以仓库完整 README 的 Quickstart 为准。
不要凭本教程臆测包名、版本号、端口或参数，所有命令应来自官方文档。
项目为库/依赖形态，通常集成到你的代码中调用，而非独立运行的服务。

核心亮点

Rust 实现，提取速度远超同类 Python/Java 库
支持 20+ 格式，覆盖常见办公文档、PDF、图片 OCR
提供多语言绑定，无缝集成到现有技术栈

不足之处

项目较新，API 可能不稳定
文档/社区待观察

适用场景

构建搜索引擎或 RAG 系统的文档预处理
批量提取合同、报告等非结构化数据用于分析
在资源受限环境中快速解析大文件

替代项目

Apache Tika、Unstructured、textract

项目介绍

extractous 是基础设施领域的开源项目，由 yobix-ai 开发，2024 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,781）位列前 30%，在基础设施分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-20。Apache-2.0 许可证，可免费使用和部署。

它主要面向的使用场景是：构建搜索引擎或RAG系统的文档预处理。同类可对比的替代方案包括 Apache Tika、Unstructured、textract。

上一篇：kernel-memory

下一篇：trench