如果你的 PDF 不是简单的纯文本，而是包含：

• 多级标题

• 段落

• 无序/有序列表

• 表格（如数据统计表、对比表）

• 图片说明 / 图文混排

普通的 PDF 解析工具（如 PyPDF2）会丢失格式、错乱排版，提取效果很差。

就需要使用UnstructuredPDFLoader来解析pdf文档，它解析pdf文档后，会返回非结构化文本。关于非结构化文本的介绍，请看我的这篇文章：

https://blog.csdn.net/m0_53830442/article/details/153398854

---

🧩 一、LangChain 中的 UnstructuredPDFLoader

在 LangChain 中，UnstructuredPDFLoader是通过 langchain.document_loaders模块提供的，属于 ​第三方文档加载器（通过 unstructured 实现）​，用于从 PDF 文件中提取文本内容，支持多种处理模式（如 "single"、"paged"、"elements"）。

---

📦 二、安装依赖

在使用之前，请确保安装以下依赖包：

pip install langchain unstructured

如果你的 PDF 是扫描件（图片格式）或包含图片中的文字，你还需要安装 OCR 支持：

pip install unstructured[ocr]

并且可能需要安装 Poppler（在 macOS/Linux 上）或相应 PDF 工具（Windows 用户可安装 poppler for Windows）。

---

✅ 三、LangChain 使用 UnstructuredPDFLoader 的代码示例

from langchain.document_loaders import UnstructuredPDFLoader

# 1. 指定你的 PDF 文件路径
pdf_file_path = "example.pdf"  # 替换为你的 PDF 文件路径

# 2. 创建 UnstructuredPDFLoader 实例
# mode 可选值: "single", "paged", "elements" （推荐 "paged" 或 "elements"）
loader = UnstructuredPDFLoader(
    file_path=pdf_file_path,
    mode="paged",  # 也可以尝试 "single"（全文合并）或 "elements"
)

# 3. 加载文档，返回的是 LangChain 的 Document 对象列表
documents = loader.load()

# 4. 打印提取结果（查看前几页的内容）
for i, doc in enumerate(documents):
    print(f"=== 第 {i+1} 页内容 ===")
    print(doc.page_content[:1000])  # 打印每页的前 1000 个字符
    print("\n---\n")

---

🧠 参数说明

参数	说明
file_path	PDF 文件的本地路径，也可以是 HTTP URL（部分情况支持）
mode	指定如何切分 PDF 内容： • "single"：将整个 PDF 当作一个文本块返回（适合短文档） • "paged"：按页拆分，每一页为一个 Document（推荐） • "elements"：按 unstructured 的语义元素拆分（如段落、标题等，更细粒度）
strategy	（可选）unstructured 的解析策略，如 "hi_res"（高精度，慢）、"fast"（快速，适合简单 PDF）
unstructured_api_key	如果你使用 Unstructured 的云端 API，可以传入 API Key（默认本地解析）

📌 推荐使用 mode="paged"，这样你可以按页处理内容，更利于后续分块、向量化或 RAG 应用。

---

🔍 四、输出内容说明

返回的 documents是一个 List[Document]，其中每个 Document对象包含两个重要字段：

• page_content: 提取到的该页（或该块）的文本内容

• metadata: 包括来源、页码、文件名等元信息，例如：

  {
      "source": "example.pdf",
      "page": 1,
      "filename": "example.pdf"
  }

这些 metadata 在后续构建检索系统（如 FAISS + Chroma）时非常有用。

---

🧪 五、进阶：结合文本分块与嵌入（用于 RAG）

通常你会将加载到的文本进一步分块（chunking），然后嵌入（embedding），存入向量数据库，这里是一个简化的扩展流程示意：

from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

# 假设你已经通过 UnstructuredPDFLoader 得到了 documents
# documents = loader.load()

# 1. 文本分块
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = text_splitter.split_documents(documents)

# 2. 嵌入与向量存储（以 OpenAI 为例）
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(texts, embeddings)

# 之后你就可以用 vectorstore 做相似性检索了！

如果你不用 OpenAI，也可以换用别的 Embeddings，比如 HuggingFaceEmbeddings、BAAI/bge-small-zh等国产或轻量模型。

---

📝 六、其他常见 LangChain PDF Loader（备选）

除了 UnstructuredPDFLoader，LangChain 还提供以下 PDF 相关的 Loader，根据需求可选用：

Loader 名称	特点
PyPDFLoader	基于 PyPDF2，简单但提取效果一般，适合格式简单的 PDF
PDFPlumberLoader	基于 pdfplumber，对表格和排版支持更好，但速度较慢
UnstructuredPDFLoader	✅ 推荐！功能强大，支持复杂布局、多页、OCR，基于 unstructured 库
PDFMinerLoader	较底层，使用 pdfminer，适合定制需求

你可以根据 PDF 的复杂程度和需求选择合适的 Loader。

---

✅ 总结

项目	说明
​Loader 名称（LangChain）​​	UnstructuredPDFLoader
​功能​	从 PDF 提取文本，支持分页、多元素、OCR，功能强大且灵活
​推荐模式​	mode="paged"（按页拆分，清晰易用）
​输出​	List[Document]，含 page_content和 metadata
​适用场景​	RAG、文档问答、知识库构建、文档分析等
​依赖​	langchain, unstructured，如需 OCR 则 unstructured[ocr]

---

🔧