Qu’est-ce que Unstructured ?
Unstructured découpe les documents en éléments typés comme Title, NarrativeText et Table. Il gère une longue traîne de formats, dont PDF, fichiers Office, HTML, images et e-mail, ce qui en fait une première étape courante dans les pipelines ETL de documents.
Il offre une stratégie fast et une stratégie hi_res plus lente qui lance la détection de disposition et l'OCR. Les types d'éléments vous laissent découper sur de vraies frontières de section et filtrer ce qui est embeddé. La prise en charge complète des formats a besoin de paquets système : poppler et tesseract pour les PDF et images, LibreOffice pour les fichiers Office.
L'entreprise vend aussi une plateforme hébergée et une Transform API bâties sur ses modèles plus récents, que son propre benchmark note bien au-dessus de la bibliothèque open source sur les tableaux.
Unstructured vaut-il le coup ?
Unstructured couvre plus de formats de documents que la plupart des rivaux et est maintenu à un rythme soutenu, avec 0.27.34 sortie le 22 octobre 2026, mais son propre README plaide contre s'y fier pour les PDF difficiles. Le benchmark de l'entreprise place la bibliothèque open source à 0,426 sur le contenu des cellules de tableaux contre 0,866 pour sa Transform API payante, et 0,715 contre 0,878 sur l'exactitude du texte. Ce sont des chiffres de fournisseur, mais il est inhabituel qu'un mainteneur les publie sur son propre outil gratuit.
Sa force est l'ampleur avec structure. Un seul appel partition gère les PDF, Word, PowerPoint, HTML, e-mail et images et renvoie des éléments étiquetés, si bien que le découpage peut suivre de vrais titres et les tableaux peuvent être routés séparément. Les comparaisons indépendantes de 2026, de Kanopy Labs et Toolhalla, placent Docling en tête sur la structure des tableaux et décrivent Unstructured comme lourd à installer et lent sur les fichiers Office.
La sécurité mérite attention parce que la bibliothèque parse des fichiers non fiables. Trois avis ont été publiés en 2026 : une traversée de chemin critique via une pièce jointe MSG malveillante qui permettait des écritures de fichiers arbitraires, une falsification de requête côté serveur critique dans le partitionnement basé sur URL, et un XSS stocké moyen dans la sortie HTML. Les pipelines qui ingèrent des téléversements d'utilisateurs devraient épingler une version corrigée et isoler le worker.
La bibliothèque pingue aussi packages.unstructured.io à chaque chargement, envoyant sa version, l'OS, la version de Python, l'architecture et la présence d'un GPU, jusqu'à ce que DO_NOT_TRACK ou SCARF_NO_ANALYTICS soit défini. C'est une petite divulgation, mais les déploiements en air-gap voudront le flag défini avant la première exécution.
Là où il fait la différence
Un ingénieur données chez un assureur qui ingère des boîtes de sinistres
Transformer les e-mails MSG, pièces jointes et PDF scannés en morceaux pour un index RAG
partition gère chaque format et étiquette les éléments, si bien que les tableaux et le texte narratif sont embeddés séparément. Parser des pièces jointes non fiables signifie épingler une version postérieure au correctif de traversée de chemin MSG de 2026 et faire tourner les workers dans des conteneurs.
Un ingénieur plateforme dans un cabinet de conseil de 100 personnes
Indexer un disque partagé de fichiers Word, PowerPoint et PDF mixtes
L'image Docker regroupe LibreOffice, poppler et tesseract, évitant une longue installation système. L'auto-hébergement coûte du temps CPU, et l'OCR hi_res est le chemin lent.
Un responsable des données dans une fintech qui pèse construire contre acheter
Décider s'il faut auto-héberger la bibliothèque ou payer pour la plateforme
À 0,015 $ par page après 10 000 gratuites, un million de pages par mois coûte environ 15 000 $ en Pay-As-You-Go ; le benchmark du fournisseur revendique environ le double de l'exactitude des tableaux, et le déploiement VPC est réservé au plan Business.
Avant de vous engager
- Mise en route
- pip install "unstructured[all-docs]" sur Python 3.11 à 3.13, plus poppler, tesseract et LibreOffice pour les PDF, images et fichiers Office ; l'image Docker est livrée avec ceux-ci.
- Intégrations
- Bibliothèque Python et image Docker ; la plateforme hébergée ajoute des connecteurs de source et de destination et une API, et est vendue sur les AWS et Azure Marketplaces.
- Données et confidentialité
- Apache 2.0. La bibliothèque envoie un ping au chargement avec la version, l'OS, Python, l'architecture et la présence d'un GPU sauf si DO_NOT_TRACK ou SCARF_NO_ANALYTICS est défini. Avis 2026 : traversée de chemin MSG critique, SSRF critique dans le partitionnement d'URL, XSS stocké moyen. La plateforme hébergée revendique SOC 2 Type 2, ISO 27001 et HIPAA.
- Coût à grande échelle
- Auto-hébergé, le coût est le CPU pour le mode fast et plus de calcul pour l'OCR hi_res ; le dimensionnement matériel n'est pas publié. Hébergé : 10 000 pages gratuites, puis 0,015 $ par page ; Business ajoute le déploiement VPC, dédié ou bare-metal à prix sur mesure.
- Limites
- 183 issues ouvertes. L'extraction de tableaux est en retard sur Docling dans les tests indépendants, et les modèles les plus forts sont réservés à la Transform API payante. GitHub étiquette le dépôt HTML à cause des fichiers de test inclus.
Les points forts
- Prise en charge de formats de fichiers très large
- Les éléments typés aident le découpage et le filtrage
- Versions fréquentes
- Chemin de mise à niveau clair vers une API hébergée
Les points faibles
- Le propre benchmark du fournisseur montre une extraction de tableaux faible
- Installation lourde avec dépendances système
- Deux avis critiques en 2026
- Ping de télémétrie au chargement par défaut
Idéal pour
Les équipes qui construisent des pipelines ETL qui ingèrent de nombreux formats de documents pour le RAG.
Alternatives à Unstructured
Unstructured : questions fréquentes
- Unstructured vaut-il le coup ?
- Toujours le filet le plus large pour les formats de fichiers bizarres, mais ses créateurs publient désormais les chiffres montrant pourquoi vous les paieriez à la place. Nous lui donnons 3.8 sur 5.
- Combien coûte Unstructured ?
- Bibliothèque gratuite sous Apache 2.0. Plateforme hébergée : 10 000 pages gratuites, puis 0,015 $ par page ; plan Business avec déploiement VPC ou dédié tarifé sur demande.
- Quels sont les inconvénients de Unstructured ?
- Le propre benchmark du fournisseur montre une extraction de tableaux faible; installation lourde avec dépendances système; deux avis critiques en 2026; ping de télémétrie au chargement par défaut.
- À qui s’adresse Unstructured ?
- Les équipes qui construisent des pipelines ETL qui ingèrent de nombreux formats de documents pour le RAG.
- Combien coûte Unstructured pour une équipe ou en production ?
- Auto-hébergé, le coût est le CPU pour le mode fast et plus de calcul pour l'OCR hi_res ; le dimensionnement matériel n'est pas publié. Hébergé : 10 000 pages gratuites, puis 0,015 $ par page ; Business ajoute le déploiement VPC, dédié ou bare-metal à prix sur mesure.
- Unstructured est-il sûr pour les données de l’entreprise ?
- Apache 2.0. La bibliothèque envoie un ping au chargement avec la version, l'OS, Python, l'architecture et la présence d'un GPU sauf si DO_NOT_TRACK ou SCARF_NO_ANALYTICS est défini. Avis 2026 : traversée de chemin MSG critique, SSRF critique dans le partitionnement d'URL, XSS stocké moyen. La plateforme hébergée revendique SOC 2 Type 2, ISO 27001 et HIPAA.
- Quelles sont les meilleures alternatives à Unstructured ?
- Les alternatives les plus proches que nous avons testées sont Docling, LlamaIndex, Firecrawl, pdf-inspector et Xberg (formerly Kreuzberg).
Réponses vérifiées le 26 oct. 2026.