你是不是也这样：花 299 块买了某 PDF 编辑软件，结果导出表格还是错行、漏字、分栏混乱？
或者用在线 OCR 工具，一页收费 5 毛，导 100 页就是 50 块——还限制每天调用量、不支持批量、数据传到别人服务器上。
这些钱和时间，其实全花在了「把 PDF 里的文字和表格变成能复制、能搜索、能导入 Excel 的干净内容」这件事上。
替代了哪些付费软件
它不直接对标某个具体名字的软件，而是干掉了三类常见付费需求：PDF 转 Word/Excel 的会员服务、文档 OCR 的按页计费 API、还有企业里买来给大模型喂数据的「文档预处理平台」。
官方明确说：开源版永久免费，但精度比商用 API 低一点
比如某知名文档解析 SaaS，基础版每月 99 美元起；国内几家类似服务，单次解析 PDF 表格动辄 3–8 元。而 unstructured 的开源版，你装好就能本地跑，不联网、不上传、不计费。
价格直接砍到零。
核心功能
- 把扫描版 PDF、带图的 Word、甚至网页截图（需配合其他工具）自动拆成段落+标题+表格三类内容，不是简单 OCR，而是理解「哪块是标题、哪块是正文、哪块是表格」。
- 对 PDF 表格识别效果比普通 OCR 强不少：它会保留原始行列结构，导出为 CSV 或 Markdown 表格时，基本不会错位或合并单元格，这点在财务报表、合同条款页上特别实用。
- 支持 20 多种格式：PDF、DOCX、PPTX、HTML、EPUB、EML 邮件、甚至 ZIP 压缩包里的文件。你不用先手动解压、再一个个拖进去，它自己能递归处理。
- 能跳过页眉页脚和页码：很多合同、年报 PDF 每页都有重复水印或页码，它默认过滤掉，导出的文字更干净，不用后期手动删。
- 输出结果是标准 JSON 格式，每段文字都标好类型（text / title / table）、坐标位置、置信度。你可以直接拿去 Excel、Notion 或喂给本地大模型，不用再写脚本转换。
- 支持中文文本，但界面和文档全是英文。实际测试中，中文段落识别准确率不错，只是表格内中英文混排时，偶尔会把数字和单位分错行，这点官方没承诺，得你自己试。
三步上手
- 先去官网确认你电脑有没有装 Docker：Mac 和 Windows 用户直接下 Docker Desktop（免费），Linux 用户用 sudo apt install docker.io 就行；没 Docker 的话，也可以用 pip 安装，但文档提醒「Windows 上 pip 安装可能失败」。
- 打开终端（Mac/Linux）或命令提示符（Windows），粘贴这行命令：docker pull downloads.unstructured.io/unstructured-io/unstructured:latest，等它下载完（约 500MB）。
- 再执行 docker run -dt –name unstructured downloads.unstructured.io/unstructured-io/unstructured:latest，然后就能用 Python 脚本或 API 调用它了，官方给了现成的示例代码，复制粘贴改个路径就能跑。
项目信息
Convert documents to structured data effortlessly. Unstructured is open-source ETL solution for transforming complex documents into clean, structured
15.6k
Stars
1.3k
Forks
HTML
Apache-2.0
命令行方式更轻量：装好后直接运行 unstructured-ingest，后面跟上 –input-path 和 –output-dir，就能批量处理整个文件夹。
输出的 JSON 文件里，每个元素含 element_id、text、category、metadata 四个主字段，其中 metadata 又包含 page_number、file_directory、last_modified 等实用信息。
你用过类似的免费工具吗？评论区聊聊，我挑几个下期专门写。
