unstructured

Инструмент извлекает текст и данные из документов разных форматов — PDF, HTML, Word и других — и преобразует их в структурированный вид, пригодный для обработки языковыми моделями. Он умеет разбивать документы на смысловые части, извлекать таблицы и изображения. Можно развернуть локально или запустить через Docker.