Unstract 开源工具：用自然语言从 PDF 提取 JSON，告别正则匹配

一堆发票、银行流水、KYC 表单、税务文件堆在桌上，你需要的只是把它们变成数据库里整齐的 JSON。

传统方案要么让你手写正则表达式、做模板匹配，要么针对每个供应商的格式专门训练模型，再不然就是花钱买商业 API。

现在开源社区给出了新解法：Zipstack 推出的 Unstract，直接用大语言模型（LLM）处理。你只需把文档扔进去，它就能吐出结构化的 JSON。

核心思路很简单：用自然语言描述你需要提取哪些字段，剩下的交给 LLM 处理。

适用场景

财务、保险、医疗、KYC/合规——任何需要从非结构化文档里提取数据的团队，都可以用它。

如何使用

Prompt Studio 是核心入口。你写一段提示词，定义好提取的 schema，例如 发票总金额、发票日期、供应商名称，然后点几下就能跑起来。

支持 PDF、图片、扫描件，甚至手写体（最终效果取决于所用 LLM 的能力）。输出是干净的 JSON，可以直接塞进数据库。

部署方式

• API 部署：发一个 REST 请求，拿 JSON 回来。
• ETL 管道：从文件夹拉取文档，处理完自动写入数据仓库。
• MCP 服务器：对接 Claude 等 AI 代理。
• n8n 节点：直接插入现有自动化流程。

支持的 LLM 和数据源

Unstract 几乎兼容市面上所有主流 LLM：OpenAI、Anthropic、AWS Bedrock、Gemini、Mistral，甚至本地跑的 Ollama……
数据输出目标也覆盖全面：S3、GCS、Snowflake、BigQuery、PostgreSQL、MySQL 等。

架构速览

来看看它内部的组件构成：

┌────────────────────────────────────────────────────────────┐
│                          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)        │
└────────────────────────────────────────────────────────────┘

快速启动（5 分钟）

git clone https://github.com/Zipstack/unstract.git
cd unstract
./run-platform.sh

跑起来后浏览器访问 http://frontend.unstract.localhost，用户名和密码都是 unstract。

还在用正则从 PDF 里一行一行扒数据？试试 Unstract 吧。更多有趣的开源项目，欢迎来 云栈社区 逛逛。

仓库地址：https://github.com/Zipstack/unstract