1. 核心概念

1.1 Unstructured简介

Unstructured 是一个强大的 Python 库，专注于从非结构化数据中提取和预处理文本信息，广泛应用于 PDF、Word 文档、HTML 等多种格式的文件处理。其核心功能包括分区、清理、暂存和分块，能够将复杂的非结构化文档转换为结构化输出，为后续的自然语言处理任务提供高质量的数据支持。

• 分区功能：Unstructured 能够将原始文档分解为标准的结构化元素，例如将 PDF 文档中的标题、段落、表格等分别识别并提取出来，准确率高达 90% 以上，极大地提高了数据的可用性。
• 清理功能：通过智能算法从文档中删除不需要的文本，如页眉、页脚、广告等，有效去除噪声数据，确保提取的文本内容更加纯净，提升数据质量。
• 暂存功能：对提取的数据进行格式化处理，使其能够更好地适应下游任务的需求，如机器学习推理和数据标注等，为后续的数据处理和分析提供便利。
• 分块功能：将长文档分割成更小的块，便于在检索增强生成（RAG）应用程序和相似性搜索中使用，提高检索效率和准确性，分块后的