PDF — не приговор: Unstract превращает документы в чистый JSON

Kompания Zipstack развивает открытую платформу Unstract — инструмент, который берёт любой неструктурированный документ (PDF, скан, изображение, таблицу) и возвращает аккуратный JSON, готовый к загрузке в базу данных. Вместо регулярных выражений и хрупких шаблонов — обычный текстовый промпт на естественном языке. Результат разворачивается как REST API или ETL-пайплайн буквально за несколько минут.

Что такое Unstract и зачем он нужен

Организации ежедневно получают тонны документов: счета-фактуры, медицинские записи, страховые полисы, KYC-анкеты. Вручную разбирать их дорого, а классические парсеры ломаются при малейшем изменении формата. Unstract решает эту задачу через LLM: вы один раз описываете, что хотите извлечь, — платформа сама справляется с вариациями документов.

«Unstract — no-code платформа, которая устраняет ручные процессы, связанные с неструктурированными данными, используя возможности LLM.»

Ключевые возможности

ℹ Что умеет Unstract
Платформа поддерживает PDF, DOCX, XLSX, PPTX, PNG, TIFF и другие форматы. Данные извлекаются через LLM-промпт и отдаются в виде чистого JSON без написания кода.
ФункцияОписание
Prompt StudioВизуальный редактор схем извлечения на естественном языке
API DeploymentОтправляешь документ по REST API — получаешь JSON
ETL PipelineДокументы из S3/Google Drive → обработка → загрузка в хранилище
MCP ServerИнтеграция с AI-агентами (Claude и др.) через Model Context Protocol
n8n NodeГотовый узел для автоматизационных воркфлоу n8n

До и после: что меняется с Unstract

ЗадачаБез UnstractС Unstract
Описание схемыRegex, шаблоны под каждого вендораОдин промпт, автообработка вариаций
Новый тип документаДни разработкиМинуты в Prompt Studio
Интеграция LLMСобственный пайплайнЛюбой провайдер «из коробки»
ДеплойСобственная инфраструктура./run-platform.sh или облако
РезультатНеструктурированный текстЧистый JSON для базы данных

Поддерживаемые LLM-провайдеры и хранилища

Unstract поддерживает широкий спектр LLM и систем хранения:

LLM-провайдеры: OpenAI, Azure OpenAI, Anthropic Claude, AWS Bedrock, Google Gemini, Mistral AI, Ollama (локально), Anyscale.

Векторные базы данных: Qdrant, Pinecone, Weaviate, Milvus, PostgreSQL.

ETL-источники: AWS S3, MinIO, Google Cloud Storage, Azure Blob, Google Drive, Dropbox, SFTP.

ETL-назначения: Snowflake, Amazon Redshift, Google BigQuery, PostgreSQL, MySQL, Oracle, SQL Server.

💡 Быстрый старт

Для локального запуска нужны Docker, Docker Compose, Git и 8 ГБ ОЗУ. Три команды — и платформа готова:

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

Откройте http://frontend.unstract.localhost и входите с логином unstract / паролем unstract.

Архитектура платформы


graph TD
    A[Frontend React] --> B[Backend Django]
    B --> C[Worker Celery]
    B --> D[Platform Service FastAPI]
    C --> E[Cache Redis]
    C --> F[Message Queue RabbitMQ]
    B --> G[Database PostgreSQL]
    B --> H[LLM Adapters]
    B --> I[Vector DBs]
    B --> J[Text Extractors]

Стек полностью открытый: React на фронтенде, Django + FastAPI на бэкенде, Celery для воркеров, Redis как кэш, RabbitMQ как очередь сообщений, PostgreSQL для хранения данных.

Enterprise и облако

Помимо open-source версии, Zipstack предлагает облачный и корпоративный уровень:

📝 Enterprise-возможности
  • LLMChallenge — двойная верификация через два независимых LLM
  • SinglePass & Summarized Extraction — снижение затрат на токены
  • Human-in-the-Loop — интерфейс ручной проверки с подсветкой в документе
  • SSO & RBAC — SAML/OIDC и ролевой контроль доступа
  • Сертификаты SOC 2, HIPAA, ISO 27001, GDPR

Целевые отрасли

Платформа ориентирована прежде всего на финансы и банкинг, страхование, здравоохранение и KYC/комплаенс — везде, где критична точная обработка документов с переменной структурой.

⚠ Важно про ключ шифрования
При самостоятельном деплое обязательно сохраните ENCRYPTION_KEY из файла backend/.env в надёжном месте. Без него доступ к уже настроенным адаптерам будет утрачен безвозвратно.

Вывод

Unstract занимает чёткую нишу: это производственный инструмент для команд, которым нужно регулярно и надёжно перегонять неструктурированные документы в данные. Открытый исходный код (лицензия AGPL-3.0), поддержка всех крупных LLM-провайдеров и готовые коннекторы к популярным хранилищам делают его серьёзной альтернативой как самописным решениям, так и проприетарным сервисам. На GitHub проект уже набрал более 7 000 звёзд.