curso-langchain/slides/pages/rag/16i.md

layout

layout
default

Extractores y parsers avanzados

Unstructured.io

Servicio de extracción que soporta +30 tipos de archivo (PDF, DOCX, PPTX, imágenes, HTML...)

import { UnstructuredLoader } from
  "@langchain/community/document_loaders/fs/unstructured";

const loader = new UnstructuredLoader("./docs/informe.pdf", {
  apiKey: process.env.UNSTRUCTURED_API_KEY,
  apiUrl: "https://api.unstructuredapp.io/general/v0/general",
});
const docs = await loader.load();

• Extrae texto, tablas, imágenes con OCR
• API cloud o self-hosted
• Ideal para documentos complejos con layouts mixtos

💡 Unstructured es especialmente útil para PDFs escaneados o con tablas complejas donde pdf-parse se queda corto