## 什么是 Unstract？ Unstract 使用 LLM 从文档（PDF、图像、扫描件等）中提取结构化的 JSON。只需通过自然语言 prompt 定义您想要提取的内容，即可将其部署为 API 或 ETL pipeline。 专为**金融**、**保险**、**医疗保健**、**KYC/合规**等领域的团队而打造。 ## 现有方案 vs. Unstract | 任务 | 未使用 Unstract | 使用 Unstract | |------|------------------|---------------| | Schema 定义 | 编写正则表达式，为每个供应商构建模板 | 只需编写一次 prompt，即可处理各种变体 | | 新文档类型 | 数天的开发工作 | 在 Prompt Studio 中只需几分钟 | | LLM 集成 | 构建您自己的 pipeline | 插入任何提供商（OpenAI、Anthropic、Bedrock、Ollama） | | 部署 | 定制基础设施 | `./run-platform.sh` 或托管云 | | 输出 | 非结构化文本块 | 整洁的 JSON，可直接用于您的数据库 | ## ✨ 核心功能 **Prompt Studio** — 使用自然语言定义文档提取 schema。[文档 →](https://docs.unstract.com/unstract/unstract_platform/features/prompt_studio/prompt_studio_intro/)  **API 部署** — 通过 REST API 发送文档，获取返回的 JSON。[文档 →](https://docs.unstract.com/unstract/unstract_platform/api_deployment/unstract_api_deployment_intro/)  **ETL Pipeline** — 从文件夹中拉取文档，进行处理，然后加载到您的数据仓库。[文档 →](https://docs.unstract.com/unstract/unstract_platform/etl_pipeline/unstract_etl_pipeline_intro/) **MCP Server** — 通过 Model Context Protocol 连接到 AI 代理（如 Claude 等）。[文档 →](https://docs.unstract.com/unstract/unstract_platform/mcp/unstract_platform_mcp_server/) **n8n 节点** — 轻松融入现有的自动化工作流。[文档 →](https://docs.unstract.com/unstract/unstract_platform/api_deployment/unstract_api_deployment_n8n_custom_node/) ## 🚀 快速开始（约 5 分钟） ### 系统要求与前置条件 - Linux 或 macOS（Intel 或 M 系列） - Docker 与 Docker Compose - 至少 8 GB 内存 - Git ### 本地运行 ``` # 克隆并启动 git clone https://github.com/Zipstack/unstract.git cd unstract ./run-platform.sh ``` 就这么简单！ - 在浏览器中访问 [http://frontend.unstract.localhost](http://frontend.unstract.localhost) - 使用用户名：`unstract` 密码：`unstract` 登录 - 开始提取数据！ ## 📦 其他部署选项 ### Docker Compose ``` # 使用默认 env 配置拉取并运行整个 Unstract 平台。 ./run-platform.sh # 使用特定的 version tag 拉取并运行 docker 容器。 ./run-platform.sh -v v0.1.0 # 通过拉取最新可用版本来升级现有的 Unstract 平台设置。 ./run-platform.sh -u # 通过拉取特定版本来升级现有的 Unstract 平台设置。 ./run-platform.sh -u -v v0.2.0 # 将本地构建的 docker 镜像打上特定的 version tag。 ./run-platform.sh -b -v v0.1.0 # 从工作分支在本地构建 docker 镜像，并打上 `current` version tag。 ./run-platform.sh -b -v current # 显示帮助信息。 ./run-platform.sh -h # 仅进行环境文件的设置。 ./run-platform.sh -e # 仅使用特定的 version tag 拉取 docker 镜像。 ./run-platform.sh -p -v v0.1.0 # 仅通过在本地构建来拉取带有特定 version tag 的 docker 镜像。 ./run-platform.sh -p -b -v v0.1.0 # 使用从工作分支在本地构建并打上 `current` version tag 的 docker 镜像，升级现有的 Unstract 平台设置。 ./run-platform.sh -u -b -v current # 以 detached 模式拉取并运行 docker 容器。 ./run-platform.sh -d -v v0.1.0 ``` ## 🔐 备份加密密钥 将 `backend/.env` 或 `platform-service/.env` 中的 `ENCRYPTION_KEY` 值复制到一个安全的位置。 ## 🏗️ Unstract 架构 ``` ┌────────────────────────────────────────────────────────────┐ │ Unstract │ ├─────────────┬─────────────┬─────────────┬──────────────────┤ │ Frontend │ Backend │ Worker │ Platform Service │ │ (React) │ (Django) │ (Celery) │ (FastAPI) │ ├─────────────┴─────────────┴─────────────┴──────────────────┤ │ Cache (Redis) │ ├────────────────────────────────────────────────────────────┤ │ Message Queue (RabbitMQ) │ ├────────────────────────────────────────────────────────────┤ │ Database (PostgreSQL) │ ├────────────────────────────────────────────────────────────┤ │ LLM Adapters │ Vector DBs │ Text Extractors │ │ (OpenAI, etc.) │ (Qdrant, etc.) │ (LLMWhisperer) │ └────────────────────────────────────────────────────────────┘ ``` 另请参阅[架构](docs/ARCHITECTURE.md)。 ## 📄 文档文件格式 | 类别 | 格式 | |----------|---------| | 文档 | PDF, DOCX, DOC, ODT, TXT, CSV, JSON | | 电子表格 | XLSX, XLS, ODS | | 演示文稿 | PPTX, PPT, ODP | | 图像 | PNG, JPG, JPEG, TIFF, BMP, GIF, WEBP | ## 🔌 连接器与适配器 ### LLM 提供商 | 提供商 | 状态 | 提供商 | 状态 | |----------|--------|----------|--------| | OpenAI | ✅ | Azure OpenAI | ✅ | | OpenAI 兼容 | ✅ | Anthropic Claude | ✅ | | AWS Bedrock | ✅ | Google Gemini | ✅ | | Ollama（本地） | ✅ | Mistral AI | ✅ | | Anyscale | ✅ | | | ### 向量数据库 | 提供商 | 状态 | 提供商 | 状态 | |----------|--------|----------|--------| | Qdrant | ✅ | Pinecone | ✅ | | Weaviate | ✅ | PostgreSQL | ✅ | | Milvus | ✅ | | | ### 文本提取器 | 提供商 | 状态 | |----------|--------| | LLMWhisperer | ✅ | | Unstructured.io | ✅ | | LlamaIndex Parse | ✅ | ### ETL 数据源与目标 **数据源：** AWS S3、MinIO、Google Cloud Storage、Azure Blob、Google Drive、Dropbox、SFTP **目标：** Snowflake、Amazon Redshift、Google BigQuery、PostgreSQL、MySQL、MariaDB、SQL Server、Oracle [完整连接器列表](https://docs.unstract.com/unstract/unstract_platform/setup_accounts/whats_needed) ## 🛠️ 开发 ### 更改默认凭据 请按照[这些步骤](backend/README.md#authentication)更改默认的用户名和密码。 ### 本地开发 ``` # 安装 pre-commit hooks ./dev-env-cli.sh -p # 运行 pre-commit 检查 ./dev-env-cli.sh -r ``` [本地开发指南](https://docs.unstract.com/unstract/unstract_platform/user_guides/run_platform) ## 🏢 按行业划分的用例 [金融与银行 →](https://unstract.com/finance-automation/) | [保险 →](https://unstract.com/insurance-automation/) | [医疗保健 →](https://unstract.com/healthcare-automation/) | [所得税 →](https://unstract.com/ai-income-tax-forms-data-extraction/) ## ☁️ 云与企业版 适用于需要托管基础设施、高级准确性功能或合规认证的团队。 - ✅ **LLMChallenge** — 双 LLM 验证 - ✅ **SinglePass 与摘要提取** — 降低 LLM token 成本 - ✅ **Human-in-the-Loop** — 带有文档高亮显示的审核界面 - ✅ **SSO 与企业级 RBAC** — SAML/OIDC 集成，支持细粒度的基于角色的访问控制 - ✅ **符合 SOC 2、HIPAA、ISO 27001、GDPR** — 经过第三方审计的安全认证 - ✅ **具有 SLA 的优先支持** — 专属支持团队，提供响应时间保证 ## 📚 实用手册 - [Unstract + PostgreSQL + DeepSeek](https://unstract.com/blog/open-source-document-data-extraction-with-unstract-deepseek/) - [Unstract + n8n](https://unstract.com/blog/unstract-n8n/) - [Unstract + Snowflake](https://unstract.com/blog/process-unstructured-data-with-unstract-snowflake/) - [Unstract + BigQuery](https://unstract.com/blog/process-unstructured-data-with-unstract-bigquery/) - [Unstract + Crew.AI](https://unstract.com/blog/agentic-document-extraction-processing-with-unstract-crew-ai/) - [Unstract + PydanticAI](https://unstract.com/blog/building-real-world-ai-agents-with-pydanticai-and-unstract/) - [Unstract MCP Server](https://unstract.com/blog/unstract-mcp-server/) ## 📊 关于分析的说明 Unstract 集成了 Posthog 以追踪最少量的使用情况分析。可以通过在前端的 `.env` 文件中设置 `REACT_APP_ENABLE_POSTHOG=false` 来禁用此功能。 ## 📜 许可证 Unstract 采用 [AGPL-3.0 许可证](LICENSE)发布。

标签：API, DLL 劫持, ETL, JavaCC, 大语言模型, 搜索引擎查询, 数据提取, 测试用例, 请求拦截, 逆向工具, 非结构化数据