目前，确实存在可以自动化抽取和格式化文档，进而构建知识图谱的应用。这些应用通常结合了自然语言处理（NLP）、机器学习、深度学习等技术来实现信息抽取和知识图谱的自动化构建。以下是一些相关的应用和技术：
- DeepKE：DeepKE是一个开源的中文知识图谱抽取框架，支持实体识别、关系抽取和属性抽取。它提供了一个统一的框架，可以在不同场景下实现不同的功能，如命名实体识别（NER）、关系抽取（RE）和属性抽取（AE）。
- 华为云知识图谱构建平台：华为云提供了一站式的知识图谱构建平台，该平台支持从非结构化数据中抽取信息，并构建知识图谱。
- 自动化信息抽取：自动化信息抽取技术是构建知识图谱的基础，它能够从大规模数据中获取结构化的命名实体及其属性或关联信息。
- 基于规则的关系抽取：基于规则的关系抽取是一种从文本数据中识别和提取实体之间关系的自动化过程，主要依赖于预定义的规则或模式。
- 产业政策知识图谱的自动化构建：有研究提出了自动化的产业政策知识图谱构建框架，用于梳理政策文本，这表明自动化技术可以应用于特定领域的知识图谱构建。
- 大模型与知识图谱结合：大模型结合知识图谱的构建，主要应用于对非结构化文档的信息抽取，以改善图谱构建过程中的信息抽取困难。
这些技术和应用展示了自动化抽取和格式化文档，以及构建知识图谱的可行性。它们通过减少人工参与，提高了构建知识图谱的效率和准确性。不过，需要注意的是，尽管自动化技术在知识图谱构建中发挥着重要作用，但仍然需要领域专家的参与来确保抽取结果的准确性和相关性。此外，自动化构建知识图谱的过程中可能会遇到一些挑战，如实体消歧、关系多样性、文本歧义性等问题，这些问题可能需要进一步的人工干预或更高级的算法来解决。