Chat og dokumenter · ca. 2 min lesing

Unstructured: gjør PDF, Word og e-post klare for KI

Unstructured er et åpent Python-bibliotek som deler opp dokumenter som PDF, HTML, Word og e-post i ryddige tekstbiter som språkmodeller kan bruke.

Hva er Unstructured?

Unstructured er et bibliotek for å hente inn og forbehandle dokumenter før de brukes sammen med språkmodeller. Kjernen kalles partisjonering: en funksjon leser for eksempel en PDF eller en e-post og deler innholdet opp i elementer som overskrifter, avsnitt og tabeller. Med partition velger biblioteket selv riktig metode ut fra filtypen.

Prosjektet tilbyr også et Docker-bilde der alt er ferdig installert. Selskapet bak har i tillegg et betalt API med egne modeller. README sier at det betalte API-et gir bedre resultat på tabeller enn det åpne biblioteket, og at biblioteket skal forbli gratis.

Hva kan norske bedrifter bruke det til?

Mange bedrifter vil la en KI svare ut fra egne dokumenter. Da må dokumentene først bli til ren tekst. Noen forslag:

  • Gjøre en mappe med rutiner i Word og PDF om til tekst før den legges i et dokumentsøk.
  • Hente innholdet ut av e-poster (.eml) til en saksoversikt.
  • Dele lange rapporter i biter med overskrifter, så søket finner riktig avsnitt.

Kontroller resultatet på egne dokumenter. Skannede sider og kompliserte tabeller er krevende, og feil i dette steget blir med videre til KI-svarene.

Slik kommer du i gang

  1. Prøv Docker-bildet først, så slipper du å installere systemavhengigheter selv.
  2. Eller installer med pip install unstructured for ren tekst, HTML og e-post, og pip install "unstructured[all-docs]" for alle filtyper.
  3. For PDF og bilder trengs blant annet poppler-utils og tesseract-ocr. For Office-filer trengs libreoffice.
  4. Kjør partition på noen få, ufølsomme eksempeldokumenter og se på elementene du får ut.
  5. Bestem hvordan tekstbitene skal lagres og kobles til dokumentsøket deres.

Lisens

Biblioteket er utgitt under Apache License 2.0, slik LICENSE.md i repoet viser. Det er en OSI-godkjent åpen kildekodelisens. Det betalte API-et og plattformen til selskapet er egne produkter med egne vilkår.

Hvorfor vi skriver om det

Kvaliteten på KI-svar fra egne dokumenter avhenger av hvor godt dokumentene er lest inn. Unstructured er en mye brukt byggestein for nettopp det steget. TikTok-kanaler som @milesreevesai, @replace.so og @ai.with.andrew er inspirasjon for temavalget, men vi har ikke verifisert et konkret innlegg om Unstructured. TikTok kan ikke leses direkte, så opplysningene bygger på prosjektets egne kilder.

Lenker

Kilder

Opplysningene er hentet fra kildene over 30. oktober 2026. Lisens, funksjoner og installasjon kan ha endret seg siden.

← Alle artikler om åpen kildekode