quay.io/unstructured-io/unstructured:0.13.7

quay.io/unstructured-io/unstructured 是 Unstructured 公司发布的容器镜像，打包了其核心文档解析工具，方便开发者直接部署到容器环境中使用。这个工具的主要作用是把各种非结构化文档——像日常工作里常见的 PDF、Word、Excel、PPT，还有网页 HTML、邮件、甚至图片里的文字（通过 OCR）——转换成结构化数据，比如提取文本内容、表格信息、段落标题，还有文档的元数据（作者、创建时间等）。 它支持的格式很全，除了常见办公文件，还能处理 Markdown、JSON、EPUB 等，连扫描版 PDF 里的图片文字也能识别。解析时会自动处理文档里的复杂格式，比如 PDF 里的多栏布局、嵌套表格，Word 里的批注和修订痕迹，不用手动调整就能输出规整的结构化数据，省了不少预处理功夫。 实际用的时候也简单，部署容器后通过 API 调用就行，支持批量处理文件，也能对接云存储（AWS S3、Google Cloud Storage 等）直接读取文档。对企业来说，不管是做内容管理系统的文本抽取，还是给 AI 模型准备训练数据（比如从合同文档里提取条款，从研究报告里摘关键结论），或者搭建自动化办公流程（自动提取报销单里的金额、日期），这个工具都能派上用场。 和本地安装工具比，容器镜像的好处是不用自己配依赖——解析不同格式文件通常要装一堆库，比如处理 PDF 需要 PyPDF2，OCR 要 Tesseract，容器直接把这些都打包好了，拉下来就能跑，适合快速集成到现有系统里。目前这个项目是开源的，社区会持续更新格式支持和解析精度，遇到问题还能在 GitHub 上提 issue 找解决方案。