如何用大语言模型从PDF和图片中提取结构化JSON数据？

什么是 Unstract？

Unstract 利用大语言模型（LLM）从各类文档（如 PDF、图像、扫描件等）中提取结构化的 JSON 数据。您只需使用自然语言提示定义需要提取的内容，即可将其部署为 API 或 ETL 管道。

Unstract 利用大语言模型（LLM）从各类文档（如 PDF、图像、扫描件等）中提取结构化的 JSON 数据。您只需使用自然语言提示定义需要提取的内容，即可将其部署为 API 或 ETL 管道。

该平台专为金融、保险、医疗保健、KYC/合规等领域的团队构建。

该平台专为金融、保险、医疗保健、KYC/合规等领域的团队构建。

传统方案 vs. Unstract 方案

下表清晰对比了在文档数据提取任务中，使用传统方法与使用 Unstract 平台的核心差异。

The table below clearly contrasts the core differences between using traditional methods and the Unstract platform for document data extraction tasks.

⭐ 如果 Unstract 对您有帮助，请在 GitHub 上为我们点亮 Star！

⭐ If Unstract helps you, please give us a star on GitHub!

✨ 核心特性

Prompt Studio — Define document extraction schemas with natural language. Docs →

API Deployment — Send a document over REST API, get JSON back. Docs →

ETL Pipeline — Pull documents from a folder, process them, load to your warehouse. Docs →

MCP Server — Connect to AI agents (Claude, etc.) via Model Context Protocol. Docs →

n8n Node — Drop into existing automation workflows. Docs →

🚀 快速开始 (~5 分钟)

系统要求与前置条件

• Docker & Docker Compose

• 最低 8 GB 内存

• Git

• Linux or macOS (Intel or M-series)

• Docker & Docker Compose

• 8 GB RAM minimum

• Git

本地运行

# 克隆仓库并启动
git clone https://github.com/Zipstack/unstract.git
cd unstract
./run-platform.sh

# Clone and start
git clone https://github.com/Zipstack/unstract.git
cd unstract
./run-platform.sh

就这么简单！

• 使用用户名：unstract，密码：unstract 登录
• 开始提取数据！

That's it!

• Visit http://frontend.unstract.localhost in your browser
• Login with username: unstract password: unstract
• Start extracting data!

📦 其他部署选项

Docker Compose

./run-platform.sh 脚本提供了多种运行和配置选项：

# 使用默认环境配置拉取并运行整个 Unstract 平台。
./run-platform.sh

# 拉取并运行指定版本标签的 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

# 在本地构建指定版本标签的 Docker 镜像。
./run-platform.sh -b -v v0.1.0

# 从当前工作分支在本地构建标记为 `current` 版本的 Docker 镜像。
./run-platform.sh -b -v current

# 显示帮助信息。
./run-platform.sh -h

# 仅进行环境文件设置。
./run-platform.sh -e

# 仅拉取指定版本标签的 Docker 镜像。
./run-platform.sh -p -v v0.1.0

# 通过在本地构建指定版本标签的镜像来拉取 Docker 镜像。
./run-platform.sh -p -b -v v0.1.0

# 使用从当前工作分支本地构建的、标记为 `current` 版本的 Docker 镜像来升级现有平台。
./run-platform.sh -u -b -v current

# 在分离模式下拉取并运行 Docker 容器。
./run-platform.sh -d -v v0.1.0

The ./run-platform.sh script offers various options for running and configuring the platform:

# Pull and run entire Unstract platform with default env config.
./run-platform.sh
>
# Pull and run docker containers with a specific version tag.
./run-platform.sh -v v0.1.0
>
# Upgrade existing Unstract platform setup by pulling the latest available version.
./run-platform.sh -u
>
# Upgrade existing Unstract platform setup by pulling a specific version.
./run-platform.sh -u -v v0.2.0
>
# Build docker images locally as a specific version tag.
./run-platform.sh -b -v v0.1.0
>
# Build docker images locally from working branch as `current` version tag.
./run-platform.sh -b -v current
>
# Display the help information.
./run-platform.sh -h
>
# Only do setup of environment files.
./run-platform.sh -e
>
# Only do docker images pull with a specific version tag.
./run-platform.sh -p -v v0.1.0
>
# Only do docker images pull by building locally with a specific version tag.
./run-platform.sh -p -b -v v0.1.0
>
# Upgrade existing Unstract platform setup with docker images built locally from working branch as `current` version tag.
./run-platform.sh -u -b -v current
>
# Pull and run docker containers in detached mode.
./run-platform.sh -d -v v0.1.0

🔐 备份加密密钥

警告

此密钥用于加密适配器凭证——丢失它将导致现有适配器无法访问！

Warning

This key encrypts adapter credentials — losing it makes existing adapters inaccessible!

Copy the value of ENCRYPTION_KEY from backend/.env or platform-service/.env to a secure location.

🏗️ 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)        │
└────────────────────────────────────────────────────────────┘

Also see architecture documentation.

📄 支持的文档文件格式

Unstract 支持广泛的文件格式，确保您能处理各种来源的文档。

Unstract supports a wide range of file formats, ensuring you can handle documents from various sources.

🔌 连接器与适配器

LLM 提供商

Unstract 设计为模型无关，支持连接主流的大语言模型服务。

Unstract is designed to be model-agnostic, supporting connections to mainstream LLM services.

向量数据库

支持多种向量数据库，用于需要语义搜索或上下文增强的复杂提取场景。

Supports multiple vector databases for complex extraction scenarios requiring semantic search or context enhancement.

文本提取器

集成先进的文本提取引擎，确保从各种格式的文档中准确获取文本内容。

Integrates advanced text extraction engines to ensure accurate text retrieval from documents in various formats.

常见问题（FAQ）

Unstract平台如何从PDF文档中提取结构化数据？

Unstract利用大语言模型，通过自然语言提示定义需要提取的内容，直接从PDF、图像、扫描件等文档中输出干净的JSON数据，无需编写复杂的正则表达式或模板。

Unstract与传统文档处理方案相比有哪些优势？

传统方案需为每个供应商定制开发，耗时数天；Unstract只需在Prompt Studio中用自然语言编写一次提示，几分钟即可处理新文档类型，并支持即插即用多种LLM提供商。

Unstract平台支持哪些部署方式？

Unstract可部署为REST API接收文档并返回JSON，也可作为ETL管道从文件夹拉取文档处理后加载至数据仓库，支持本地运行、Docker Compose或托管云服务。