¿Qué es Unstructured?
Unstructured divide los documentos en elementos tipados como Title, NarrativeText y Table. Admite una larga lista de formatos, como PDF, archivos de Office, HTML, imágenes y correo electrónico, lo que lo convierte en un primer paso habitual de los pipelines de ETL de documentos.
Ofrece una estrategia fast y otra más lenta, hi_res, que aplica detección de maquetación y OCR. Los tipos de elemento permiten trocear por los límites reales de cada sección y filtrar lo que se convierte en embeddings. El soporte completo de formatos necesita paquetes del sistema: poppler y tesseract para PDF e imágenes, LibreOffice para archivos de Office.
La empresa también vende una plataforma alojada y una Transform API basadas en sus modelos más recientes, que su propio benchmark puntúa muy por encima de la biblioteca de código abierto en tablas.
¿Merece la pena Unstructured?
Unstructured cubre más formatos de documento que la mayoría de sus rivales y se mantiene a buen ritmo, con la 0.27.34 publicada el 22 de octubre de 2026, pero su propio README argumenta en contra de confiar en él para los PDF difíciles. El benchmark de la empresa da a la biblioteca de código abierto 0,426 en contenido de celdas de tablas frente a 0,866 de su Transform API de pago, y 0,715 frente a 0,878 en precisión del texto. Son cifras del fabricante, pero es poco habitual que un mantenedor las publique sobre su propia herramienta gratuita.
Su punto fuerte es la amplitud con estructura. Una sola llamada a partition procesa PDF, Word, PowerPoint, HTML, correo electrónico e imágenes y devuelve elementos etiquetados, de modo que el troceado puede seguir los encabezados reales y las tablas pueden tratarse aparte. Comparativas independientes de 2026, de Kanopy Labs y Toolhalla, sitúan a Docling por delante en estructura de tablas y describen Unstructured como pesado de instalar y lento con archivos de Office.
La seguridad merece atención porque la biblioteca analiza archivos no confiables. Se publicaron tres avisos en 2026: un path traversal crítico a través de un adjunto MSG malicioso que permitía escribir archivos arbitrarios, un server-side request forgery crítico en la partición a partir de URL y un XSS almacenado de gravedad media en la salida HTML. Los pipelines que ingieren archivos subidos por usuarios deberían fijar una versión parcheada y aislar el worker.
La biblioteca además envía un ping a packages.unstructured.io cada vez que se carga, con su versión, el sistema operativo, la versión de Python, la arquitectura y si hay una GPU, hasta que se configura DO_NOT_TRACK o SCARF_NO_ANALYTICS. Es poca información, pero en despliegues aislados de la red conviene activar el flag antes de la primera ejecución.
Dónde se gana su sitio
Un ingeniero de datos en una aseguradora que procesa buzones de siniestros
Convertir correos MSG, adjuntos y PDF escaneados en fragmentos para un índice de RAG
partition procesa cada formato y etiqueta los elementos, así que las tablas y el texto narrativo se convierten en embeddings por separado. Analizar adjuntos no confiables obliga a fijar una versión posterior a la corrección del path traversal de MSG de 2026 y a ejecutar los workers en contenedores.
Un ingeniero de plataforma en una consultora de 100 personas
Indexar una unidad compartida con una mezcla de archivos Word, PowerPoint y PDF
La imagen de Docker incluye LibreOffice, poppler y tesseract, lo que evita una larga instalación en el sistema. Autoalojarlo cuesta tiempo de CPU, y el OCR hi_res es el camino lento.
Un responsable de datos en una fintech que sopesa construir o comprar
Decidir si autoalojar la biblioteca o pagar por la plataforma
A 0,015 $ por página después de las 10.000 gratuitas, un millón de páginas al mes cuesta unos 15.000 $ en Pay-As-You-Go; el benchmark del fabricante asegura aproximadamente el doble de precisión en tablas, y el despliegue en VPC es solo para el plan Business.
Antes de decidirte
- Puesta en marcha
- pip install "unstructured[all-docs]" en Python 3.11 a 3.13, más poppler, tesseract y LibreOffice para PDF, imágenes y archivos de Office; la imagen de Docker ya los incluye.
- Integraciones
- Biblioteca de Python e imagen de Docker; la plataforma alojada añade conectores de origen y destino y una API, y se vende en AWS Marketplace y Azure Marketplace.
- Datos y privacidad
- Apache 2.0. La biblioteca envía al cargarse un ping con la versión, el sistema operativo, Python, la arquitectura y la presencia de GPU salvo que se configure DO_NOT_TRACK o SCARF_NO_ANALYTICS. Avisos de 2026: path traversal crítico en MSG, SSRF crítico en la partición por URL, XSS almacenado de gravedad media. La plataforma alojada declara SOC 2 Type 2, ISO 27001 y HIPAA.
- Coste a escala
- Autoalojado, el coste es la CPU para el modo fast y más cómputo para el OCR hi_res; no se publica un dimensionamiento de hardware. Alojado: 10.000 páginas gratis y después 0,015 $ por página; Business añade despliegue en VPC, dedicado o bare-metal con precio a medida.
- Límites
- 183 issues abiertas. La extracción de tablas queda por detrás de Docling en pruebas independientes, y los modelos más potentes están reservados para la Transform API de pago. GitHub etiqueta el repositorio como HTML por los archivos de prueba incluidos.
Lo bueno
- Soporte muy amplio de formatos de archivo
- Los elementos tipados ayudan a trocear y filtrar
- Versiones frecuentes
- Camino claro hacia una API alojada
Lo malo
- El propio benchmark del fabricante muestra una extracción de tablas floja
- Instalación pesada con dependencias del sistema
- Dos avisos críticos en 2026
- Ping de telemetría al cargar, activado por defecto
Ideal para
Equipos que construyen pipelines de ETL que ingieren muchos formatos de documento para RAG.
Alternativas a Unstructured
Unstructured: preguntas frecuentes
- ¿Merece la pena Unstructured?
- Sigue siendo la red más amplia para formatos de archivo raros, pero sus creadores publican ahora las cifras que muestran por qué deberías pagarles. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Unstructured?
- Biblioteca gratuita con Apache 2.0. Plataforma alojada: 10.000 páginas gratis y después 0,015 $ por página; plan Business con despliegue en VPC o dedicado, con precio a consultar.
- ¿Qué inconvenientes tiene Unstructured?
- El propio benchmark del fabricante muestra una extracción de tablas floja; instalación pesada con dependencias del sistema; dos avisos críticos en 2026; ping de telemetría al cargar, activado por defecto.
- ¿Para quién es Unstructured?
- Equipos que construyen pipelines de ETL que ingieren muchos formatos de documento para RAG.
- ¿Cuánto cuesta Unstructured para un equipo o en producción?
- Autoalojado, el coste es la CPU para el modo fast y más cómputo para el OCR hi_res; no se publica un dimensionamiento de hardware. Alojado: 10.000 páginas gratis y después 0,015 $ por página; Business añade despliegue en VPC, dedicado o bare-metal con precio a medida.
- ¿Es Unstructured seguro para los datos de la empresa?
- Apache 2.0. La biblioteca envía al cargarse un ping con la versión, el sistema operativo, Python, la arquitectura y la presencia de GPU salvo que se configure DO_NOT_TRACK o SCARF_NO_ANALYTICS. Avisos de 2026: path traversal crítico en MSG, SSRF crítico en la partición por URL, XSS almacenado de gravedad media. La plataforma alojada declara SOC 2 Type 2, ISO 27001 y HIPAA.
- ¿Cuáles son las mejores alternativas a Unstructured?
- Las alternativas más cercanas que hemos analizado son Docling, LlamaIndex, Firecrawl, pdf-inspector y Xberg (formerly Kreuzberg).
Respuestas comprobadas el 26 oct 2026.