Was ist Unstructured?
Unstructured zerlegt Dokumente in typisierte Elemente wie Title, NarrativeText und Table. Es verarbeitet einen langen Schwanz an Formaten, darunter PDF, Office-Dateien, HTML, Bilder und E-Mail, und ist deshalb häufig der erste Schritt in Dokument-ETL-Pipelines.
Es bietet eine schnelle Strategie und eine langsamere hi_res-Strategie mit Layouterkennung und OCR. Über die Elementtypen kannst du an echten Abschnittsgrenzen chunken und filtern, was eingebettet wird. Volle Formatunterstützung braucht Systempakete: poppler und tesseract für PDFs und Bilder, LibreOffice für Office-Dateien.
Das Unternehmen verkauft außerdem eine gehostete Plattform und die Transform API auf Basis neuerer Modelle, die laut eigenem Benchmark bei Tabellen deutlich besser abschneiden als die Open-Source-Bibliothek.
Lohnt sich Unstructured?
Unstructured deckt mehr Dokumentformate ab als die meisten Konkurrenten und wird zügig gepflegt, mit 0.27.34 am 22. Oktober 2026, doch das eigene README liefert das Argument dagegen, sich bei schwierigen PDFs darauf zu verlassen. Der Benchmark des Unternehmens sieht die Open-Source-Bibliothek beim Inhalt von Tabellenzellen bei 0,426 gegenüber 0,866 für die bezahlte Transform API und bei der Textgenauigkeit bei 0,715 gegenüber 0,878. Das sind Herstellerzahlen, aber es ist ungewöhnlich, dass ein Maintainer sie über sein eigenes kostenloses Werkzeug veröffentlicht.
Die Stärke ist Breite mit Struktur. Ein einziger partition-Aufruf verarbeitet PDFs, Word, PowerPoint, HTML, E-Mail und Bilder und liefert beschriftete Elemente zurück, sodass das Chunking echten Überschriften folgen kann und Tabellen separat weitergeleitet werden können. Unabhängige Vergleiche aus dem Jahr 2026 von Kanopy Labs und Toolhalla sehen Docling bei der Tabellenstruktur vorn und beschreiben Unstructured als schwer zu installieren und langsam bei Office-Dateien.
Die Sicherheit verdient Aufmerksamkeit, weil die Bibliothek nicht vertrauenswürdige Dateien parst. 2026 wurden drei Advisories veröffentlicht: ein kritischer Path Traversal über einen präparierten MSG-Anhang, der beliebige Dateischreibzugriffe erlaubte, ein kritisches Server-Side Request Forgery bei der URL-basierten Zerlegung und ein mittelschweres Stored XSS in der HTML-Ausgabe. Pipelines, die Uploads von Nutzern verarbeiten, sollten ein gepatchtes Release festpinnen und den Worker isolieren.
Die Bibliothek pingt außerdem bei jedem Laden packages.unstructured.io an und sendet ihre Version, das Betriebssystem, die Python-Version, die Architektur und ob eine GPU vorhanden ist, bis DO_NOT_TRACK oder SCARF_NO_ANALYTICS gesetzt ist. Das ist eine kleine Preisgabe, aber Deployments ohne Netzzugang sollten das Flag vor dem ersten Lauf setzen.
Wo es sich lohnt
Ein Data Engineer bei einem Versicherer, der Postfächer mit Schadensmeldungen einliest
MSG-E-Mails, Anhänge und gescannte PDFs in Chunks für einen RAG-Index verwandeln
partition verarbeitet jedes Format und beschriftet die Elemente, sodass Tabellen und Fließtext getrennt eingebettet werden. Wer nicht vertrauenswürdige Anhänge parst, muss ein Release nach dem Fix für den MSG-Path-Traversal von 2026 festpinnen und die Worker in Containern betreiben.
Eine Plattform-Engineerin in einer Beratung mit 100 Mitarbeitern
Ein gemeinsames Laufwerk mit gemischten Word-, PowerPoint- und PDF-Dateien indexieren
Das Docker-Image bündelt LibreOffice, poppler und tesseract und erspart eine lange Systeminstallation. Selbst hosten kostet CPU-Zeit, und hi_res-OCR ist der langsame Weg.
Ein Datenchef bei einem Fintech, der zwischen Selbstbau und Kauf abwägt
Entscheiden, ob die Bibliothek selbst gehostet oder für die Plattform bezahlt wird
Bei 0,015 $ pro Seite nach 10.000 kostenlosen kostet eine Million Seiten im Monat mit Pay-As-You-Go rund 15.000 $; der Benchmark des Herstellers verspricht etwa die doppelte Tabellengenauigkeit, und VPC-Deployment gibt es nur im Business-Plan.
Bevor du dich festlegst
- Einrichtung
- pip install "unstructured[all-docs]" unter Python 3.11 bis 3.13, dazu poppler, tesseract und LibreOffice für PDFs, Bilder und Office-Dateien; das Docker-Image bringt diese mit.
- Integrationen
- Python-Bibliothek und Docker-Image; die gehostete Plattform ergänzt Quell- und Ziel-Konnektoren sowie eine API und wird über AWS und Azure Marketplace verkauft.
- Daten und Datenschutz
- Apache 2.0. Die Bibliothek sendet beim Laden einen Ping mit Version, Betriebssystem, Python, Architektur und GPU-Vorhandensein, sofern nicht DO_NOT_TRACK oder SCARF_NO_ANALYTICS gesetzt ist. Advisories 2026: kritischer MSG-Path-Traversal, kritisches SSRF bei der URL-Zerlegung, mittelschweres Stored XSS. Die gehostete Plattform gibt SOC 2 Type 2, ISO 27001 und HIPAA an.
- Kosten im großen Maßstab
- Selbst gehostet sind die Kosten CPU für den schnellen Modus und mehr Rechenleistung für hi_res-OCR; Angaben zur Hardware-Dimensionierung gibt es nicht. Gehostet: 10.000 Seiten kostenlos, danach 0,015 $ pro Seite; Business ergänzt VPC-, dediziertes oder Bare-Metal-Deployment zu individuellen Preisen.
- Grenzen
- 183 offene Issues. Die Tabellenextraktion liegt in unabhängigen Tests hinter Docling, und die stärksten Modelle sind der bezahlten Transform API vorbehalten. GitHub ordnet das Repo wegen mitgelieferter Testdateien als HTML ein.
Was gut ist
- Sehr breite Unterstützung von Dateiformaten
- Typisierte Elemente helfen beim Chunking und Filtern
- Häufige Releases
- Klarer Upgrade-Pfad zu einer gehosteten API
Was nicht
- Der eigene Benchmark des Herstellers zeigt schwache Tabellenextraktion
- Schwere Installation mit Systemabhängigkeiten
- Zwei kritische Advisories im Jahr 2026
- Standardmäßiger Telemetrie-Ping beim Laden
Am besten für
Teams, die ETL-Pipelines bauen, die viele Dokumentformate für RAG verarbeiten.
Alternativen zu Unstructured
Unstructured: häufige Fragen
- Lohnt sich Unstructured?
- Immer noch das breiteste Netz für ausgefallene Dateiformate, aber die Macher veröffentlichen inzwischen selbst die Zahlen, die zeigen, warum du stattdessen sie bezahlen solltest. Wir bewerten es mit 3.8 von 5.
- Was kostet Unstructured?
- Bibliothek kostenlos unter Apache 2.0. Gehostete Plattform: 10.000 Seiten kostenlos, danach 0,015 $ pro Seite; Business-Plan mit VPC oder dediziertem Deployment, Preis auf Anfrage.
- Welche Nachteile hat Unstructured?
- Der eigene Benchmark des Herstellers zeigt schwache Tabellenextraktion; Schwere Installation mit Systemabhängigkeiten; Zwei kritische Advisories im Jahr 2026; Standardmäßiger Telemetrie-Ping beim Laden.
- Für wen eignet sich Unstructured?
- Teams, die ETL-Pipelines bauen, die viele Dokumentformate für RAG verarbeiten.
- Was kostet Unstructured für ein Team oder im Produktivbetrieb?
- Selbst gehostet sind die Kosten CPU für den schnellen Modus und mehr Rechenleistung für hi_res-OCR; Angaben zur Hardware-Dimensionierung gibt es nicht. Gehostet: 10.000 Seiten kostenlos, danach 0,015 $ pro Seite; Business ergänzt VPC-, dediziertes oder Bare-Metal-Deployment zu individuellen Preisen.
- Ist Unstructured sicher für Firmendaten?
- Apache 2.0. Die Bibliothek sendet beim Laden einen Ping mit Version, Betriebssystem, Python, Architektur und GPU-Vorhandensein, sofern nicht DO_NOT_TRACK oder SCARF_NO_ANALYTICS gesetzt ist. Advisories 2026: kritischer MSG-Path-Traversal, kritisches SSRF bei der URL-Zerlegung, mittelschweres Stored XSS. Die gehostete Plattform gibt SOC 2 Type 2, ISO 27001 und HIPAA an.
- Was sind die besten Alternativen zu Unstructured?
- Die nächsten Alternativen, die wir getestet haben, sind Docling, LlamaIndex, Firecrawl, pdf-inspector und Xberg (formerly Kreuzberg).
Antworten geprüft am 26. Okt. 2026.