当前位置：首页>Excel>【开源】从 PDF、邮件到 Excel,Docs2KG 统一建图,80% 企业知识困在非结构化文档里?这个开源项目用图谱帮你“捞干货”

【开源】从 PDF、邮件到 Excel,Docs2KG 统一建图,80% 企业知识困在非结构化文档里?这个开源项目用图谱帮你“捞干货”

2026-09-22 08:08:21

📝 介绍

你有没有遇到过这种场景：

领导突然丢来一堆 PDF、Excel、邮件，让你“半小时内总结要点”。

想从公司几年积累的报告里找某个数据，只能靠关键词硬搜，一搜一大片，还不知道哪个是最新版。

做 RAG（检索增强生成）时，发现 LLM 经常“一本正经地胡说八道”，却没法追溯到信息来源。

问题的根源在于：企业里真正值钱的知识，有80% 以上都躺在各种非结构化文档里——合同、邮件、报告、病历……格式五花八门，传统搜索引擎和数据库根本搞不定。

最近我关注到一个挺有意思的开源项目——Docs2KG，它就想解决这个老大难问题：把各种异构、非结构化文档，统一变成一张多模态知识图谱，让知识“可查、可推理、可追溯”。

下面我就按自己的理解，跟你聊聊：

Docs2KG 是怎么来的？

它到底好在哪？

和别的类似工具比，它适合谁、不适合谁？

🤔 Docs2KG 是怎么

来的？

要讲 Docs2KG，得先说一个现实痛点：

企业里 80% 的数据是非结构化文档，但这些文档散落在各处，格式各异，传统方法难以整合。

以医疗行业为例，一个病人的信息可能是：

医生手写的临床记录

出院小结 PDF

医生间的邮件往来

各种医学影像

要分析这个病人的完整情况，就得把这些多模态、多格式的信息整合起来。但这面临三大挑战：

多模态数据提取：文本、表格、图片、图形，要从各种格式里都抽得出来。
多模型统一集成：不同模态要用不同的模型处理，怎么把它们塞进一个统一框架？
语义表示与溯源：不仅要理解内容，还要保留“这句话来自哪份文档、哪个段落”，否则无法追溯，也无法减少 LLM 的“幻觉”。

现有的很多知识图谱工具，要么只处理单一数据源（比如只处理 PDF），要么只关注文本，很难应对企业里“文档类型杂、模态多、结构乱”的现实场景。

于是，HKUDS 和 AI4WA 的研究团队提出了Docs2KG：一个专门从异构非结构化文档中，构建多模态统一知识图谱的开源框架。

它的目标很明确：

输入：各种文档（邮件、网页、PDF、Excel 等）。
输出：一张统一的知识图谱，既保留结构，又保留语义，还能追溯到原文。
特点：自动化、可扩展、支持人机交互，并且开源可用。

✨ Docs2KG 到底好在哪？

我体验下来，觉得它最吸引人的地方有四点：全、通、准、开。

1. 全：支持多种文档类型

Docs2KG 能处理你日常能见到的绝大多数文档：

电子邮件(.eml)
网页(HTML)
PDF(包括扫描件)
Excel表格

它不只是简单读取文本，而是把文档拆成文本块、表格、图片、布局结构等多个部分，为后续构建多模态知识图谱打下基础。

2. 通：双路径数据处理

这是 Docs2KG 的核心设计之一，简单来说就是“两条腿走路”：

Markdown Converter 路径：对于 HTML、结构化较好的 PDF/Excel，先转成 Markdown/JSON，再用 XPath 等方式提取文本、表格、图片，同时保留文档树结构。
Image Converter 路径：对于扫描件、复杂排版的 PDF，先用深度学习模型做文档布局分析，识别出文本块、表格、图片及其位置，再分别提取内容。

这种双路径策略，既保证了结构化文档的处理效率，又兼顾了复杂文档的识别能力，让不同类型文档都能被统一处理。

3. 准：多模态统一知识图谱

Docs2KG 把提取的信息，构建成一张包含结构和语义的多模态知识图谱，并存储在 Neo4j 图数据库中。

图谱中的关系分为两类：

模态内关系：比如标题和段落的“父子”关系，句子之间的“同时发生”、“支持”等语义关系。
跨模态关系：比如“这句话解释了这张图”、“这个表格补充了那段文字”等。

更重要的是，图谱中保留了布局实体（如页面、段落、表格的位置），这样你不仅能查到“说了什么”，还能追溯到“在哪份文档的哪一页”。

4. 开：开源且可扩展

Docs2KG 是一个完全开源的项目，代码在 GitHub 上，文档和演示视频也很齐全。

它的架构是模块化的，你可以：

替换底层的大模型或嵌入模型。

调整知识图谱的存储（默认 Neo4j，也可换其他图数据库）。

根据自己的需求，添加新的文档解析器或工具。

这意味着，它不是一个“黑箱工具”，而是一个可以二次开发的“知识图谱构建框架”。

🆚 和其他类似工具比，它适合谁？

这里选几个典型的工具对比一下：

项目	核心定位	优点	缺点	适合谁
Docs2KG	从异构非结构化文档构建多模态知识图谱	支持多种文档类型、双路径处理、保留布局和来源、开源可扩展	上手有一定门槛，需要理解知识图谱和 LLM 的基本概念	企业知识管理、RAG 增强、多模态文档分析
Connected Papers	文献引用关系可视化	专注于学术文献，图谱直观，适合文献调研	只处理学术论文，不支持其他文档类型	科研人员、学生
iText2KG	从文本构建增量知识图谱	专注于文本，增量构建，适合动态更新知识	不支持多模态，对非文本信息（如表格、图片）处理能力有限	文本密集型场景，如合同、报告分析
LangChain+KG	LLM 与知识图谱的集成框架	灵活，可定制性强，适合构建复杂的 LLM 应用	需要自己整合文档解析、知识图谱构建等组件，开发工作量大	有较强开发能力的团队
传统 ETL+KG	企业数据集成与知识图谱构建	成熟稳定，适合结构化数据处理	对非结构化文档处理能力有限，依赖大量人工规则	以结构化数据为主的企业

简单来说：

如果你想从各种非结构化文档中提取知识，并构建一张可追溯的知识图谱，Docs2KG 是目前非常值得关注的选择。

如果你只是想做文献调研，那 Connected Papers 可能更合适。

如果你已经有了成熟的文档解析流程，只想用 LLM 增强知识图谱，那 LangChain+KG 或 iText2KG 可能更符合你的需求。

🚀 最后，给想动手的你一点建议

先跑通 Demo：去 Docs2KG 的官网或 GitHub，按照文档跑通一个简单的例子，比如处理一份 PDF 和一份 Excel，看看生成的知识图谱是什么样的。
再集成到现有系统：如果你有 RAG 系统，可以尝试用 Docs2KG 替换掉原来的文档解析和索引模块，看看效果有没有提升。
最后深入源码：当你熟悉了基本流程，再去看它的源码，理解双路径处理、多模态知识图谱构建等核心概念，相信你会对“文档智能”有更深的理解。

如果你也想把公司里“沉睡”的文档变成“活”的知识，不妨从 Docs2KG 开始。毕竟，知识只有被组织起来，才能发挥最大的价值。