Unstructuredの料金は？

ライブラリはApache 2.0の下で無料です。ホステッドプラットフォームは10,000ページまで無料で、その後は1ページあたり$0.015です。VPCや専用デプロイメントを含むBusinessプランは個別見積もりとなります。

Unstructuredの欠点は？

ベンダー自身のベンチマークで示された低い表抽出精度; システム依存関係を伴う重いインストール環境; 2026年に報告された2件の重大なアドバイザリ; デフォルトで有効なロード時のテレメトリping.

チームや本番環境でUnstructuredを使うと費用はいくらか？

セルフホストの場合、fastモードではCPU、hi_res OCRではより多くの計算資源のコストが発生します。ハードウェア構成の目安は公開されていません。ホステッド版は10,000ページまで無料で、以降は1ページあたり$0.015です。Businessプランでは、個別見積もりによりVPC、専用環境、ベアメタルデプロイメントが追加されます。

Unstructuredは企業データを扱っても安全か？

Apache 2.0ライセンスです。DO_NOT_TRACKまたはSCARF_NO_ANALYTICSを設定しない限り、ライブラリはロード時にバージョン、OS、Python、アーキテクチャ、GPUの有無を含むpingを送信します。2026年のアドバイザリには、MSGの重大なパストラバーサル、URLパーティショニングにおける重大なSSRF、中程度の蓄積型XSSが含まれます。ホステッドプラットフォームはSOC 2 Type 2、ISO 27001、HIPAAへの準拠を表明しています。

Unstructuredの代わりになるものは？

当サイトでレビューした中で最も近い代替はDocling, LlamaIndex, Firecrawl, pdf-inspector 、 Xberg (formerly Kreuzberg)です。

Unstructured GitHubリポジトリのレビュー (2026)

Unstructuredとは？

Unstructuredは、ドキュメントをTitle、NarrativeText、Tableなどの型付き要素に分割します。PDF、Officeファイル、HTML、画像、電子メールなど幅広い形式に対応しており、ドキュメントETLパイプラインの最初のステップとして広く利用されています。

高速なfastストラテジーと、レイアウト検出およびOCRを実行する低速なhi_resストラテジーを提供します。要素の型が定義されているため、実際のセクション境界に基づいたチャンク分割や、埋め込み対象のフィルタリングが可能です。すべての形式をサポートするには、PDFや画像用のpopplerとtesseract、Officeファイル用のLibreOfficeといったシステムパッケージが必要です。

同社は、より新しいモデルを基盤としたホステッドプラットフォームおよびTransform APIも販売しています。自社のベンチマークによると、表の処理に関してオープンソースライブラリを大幅に上回るスコアを記録しています。

Unstructuredは使う価値があるか？

Unstructuredは多くの競合製品よりも多様なドキュメント形式に対応しており、活発にメンテナンスされています。2026年10月22日には0.27.34がリリースされましたが、同プロジェクトのREADME自体が、複雑なPDFの処理を本ライブラリに依存することへの注意を促しています。同社のベンチマークによると、表セルの内容に関するスコアは有償のTransform APIの0.866に対してオープンソースライブラリは0.426であり、テキスト精度は0.878に対して0.715にとどまります。これらはベンダーによる数値ですが、メンテナが自社の無料ツールについてこのようなデータを公表するのは異例です。

強みは構造化を伴う網羅性にあります。1回のpartition呼び出しでPDF、Word、PowerPoint、HTML、電子メール、画像を処理し、ラベル付けされた要素を返します。これにより、実際の見出しに沿ったチャンク分割や、表データの個別ルーティングが可能です。Kanopy LabsやToolhallaによる2026年の独立した比較では、表構造の処理においてDoclingが先行しており、Unstructuredはインストールが重く、Officeファイルの処理が遅いと評価されています。

信頼できないファイルを解析するため、セキュリティには注意が必要です。2026年には3件のアドバイザリが公開されました。任意のファイル書き込みを可能にする悪意のあるMSG添付ファイルを介した重大なパストラバーサル、URLベースのパーティショニングにおける重大なサーバーサイドリクエストフォージェリ、およびHTML出力における中程度の蓄積型XSSです。ユーザーによるアップロードを処理するパイプラインでは、修正済みリリースを指定し、ワーカーを隔離する必要があります。

また、DO_NOT_TRACKまたはSCARF_NO_ANALYTICSが設定されるまで、本ライブラリはロードされるたびにpackages.unstructured.ioへpingを送信し、バージョン、OS、Pythonバージョン、アーキテクチャ、GPUの有無を送信します。送信される情報はわずかですが、エアギャップ環境でのデプロイでは初回実行前にこのフラグを設定することが求められます。

真価を発揮する場面

保険金請求のメールボックスを取り込む保険会社のデータエンジニア
MSG形式のメール、添付ファイル、スキャン済みPDFをRAGインデックス用のチャンクに変換します。
partitionが各形式を処理して要素にラベルを付与するため、表と本文テキストを個別に埋め込むことができます。信頼できない添付ファイルを解析する際は、2026年のMSGパストラバーサルの修正が含まれるリリースを固定し、コンテナ内でワーカーを実行します。
100人規模のコンサルティング企業のプラットフォームエンジニア
Word、PowerPoint、PDFファイルが混在する共有ドライブのインデックスを作成します。
DockerイメージにLibreOffice、poppler、tesseractが同梱されているため、長時間のシステムインストール作業を回避できます。セルフホスティングにはCPUリソースが必要であり、hi_res OCRは処理に時間を要します。
自社構築か購入かを検討しているフィンテック企業のデータ責任者
ライブラリをセルフホストするか、プラットフォームに費用を支払うかを決定します。
10,000ページの無料枠の後、1ページあたり$0.015となるため、Pay-As-You-Goでは月間100万ページでおよそ$15,000の費用がかかります。ベンダーのベンチマークによれば、表の精度は約2倍向上するとされており、VPCデプロイメントはBusinessプランのみで提供されます。

導入前に確認すること

導入: Python 3.11から3.13環境でpip install "unstructured[all-docs]"を実行し、PDF、画像、Officeファイル用にpoppler、tesseract、LibreOfficeを導入します。Dockerイメージにはこれらが同梱されています。
連携: PythonライブラリおよびDockerイメージが提供されています。ホステッドプラットフォームにはデータソースおよび送信先コネクタとAPIが追加され、AWSおよびAzure Marketplaceで販売されています。
データとプライバシー: Apache 2.0ライセンスです。DO_NOT_TRACKまたはSCARF_NO_ANALYTICSを設定しない限り、ライブラリはロード時にバージョン、OS、Python、アーキテクチャ、GPUの有無を含むpingを送信します。2026年のアドバイザリには、MSGの重大なパストラバーサル、URLパーティショニングにおける重大なSSRF、中程度の蓄積型XSSが含まれます。ホステッドプラットフォームはSOC 2 Type 2、ISO 27001、HIPAAへの準拠を表明しています。
大規模利用時のコスト: セルフホストの場合、fastモードではCPU、hi_res OCRではより多くの計算資源のコストが発生します。ハードウェア構成の目安は公開されていません。ホステッド版は10,000ページまで無料で、以降は1ページあたり$0.015です。Businessプランでは、個別見積もりによりVPC、専用環境、ベアメタルデプロイメントが追加されます。
制限: 183件の未解決のIssueがあります。独立したテストでは表の抽出精度がDoclingに及ばず、最も精度の高いモデルは有料のTransform API専用となっています。同梱されているテストファイルの影響により、GitHubではこのリポジトリの主要言語がHTMLと判定されています。

良い点

非常に幅広いファイル形式への対応
チャンク分割やフィルタリングを容易にする型付き要素
頻繁なリリース
ホステッドAPIへの明確なアップグレードパス

気になる点

ベンダー自身のベンチマークで示された低い表抽出精度
システム依存関係を伴う重いインストール環境
2026年に報告された2件の重大なアドバイザリ
デフォルトで有効なロード時のテレメトリping

Unstructuredの代替

Docling

RAG & dataPython69k stars

4.5/5

IBM-born toolkit that converts PDFs, Office files, HTML and images into clean Markdown or JSON for RAG, with strong table handling.

LlamaIndex

RAG & dataPython53k stars

4.3/5

Python framework for connecting LLMs to your documents, with ingestion, indexing, retrieval and event-driven agent Workflows.

Firecrawl

RAG & dataTypeScript196k stars

4.2/5

Web scraping and crawling API that turns websites into clean Markdown or structured data for LLMs, self-hosted or cloud.

pdf-inspector

RAG & dataRust20k stars

4.2/5

Firecrawl's Rust PDF parser: tells text PDFs from scans in milliseconds and turns the text ones into Markdown without OCR.

Xberg (formerly Kreuzberg)

RAG & dataRust9.4k stars

4.1/5

Rust document extractor, formerly Kreuzberg: 107 formats, eight OCR backends, 15 language bindings, plus CLI, REST API and MCP server.

Unstructured：よくある質問

Unstructuredは使う価値があるか？: 特殊なファイル形式を網羅する点では依然として最も広範ですが、開発元自身が有償版を利用すべき理由を示す数値を公表しています。評価は5点満点中3.8点です。
Unstructuredの料金は？: ライブラリはApache 2.0の下で無料です。ホステッドプラットフォームは10,000ページまで無料で、その後は1ページあたり$0.015です。VPCや専用デプロイメントを含むBusinessプランは個別見積もりとなります。
Unstructuredの欠点は？: ベンダー自身のベンチマークで示された低い表抽出精度; システム依存関係を伴う重いインストール環境; 2026年に報告された2件の重大なアドバイザリ; デフォルトで有効なロード時のテレメトリping.
Unstructuredは誰に向いているか？: RAG向けに多様なドキュメント形式を取り込むETLパイプラインを構築するチームに適しています。
チームや本番環境でUnstructuredを使うと費用はいくらか？: セルフホストの場合、fastモードではCPU、hi_res OCRではより多くの計算資源のコストが発生します。ハードウェア構成の目安は公開されていません。ホステッド版は10,000ページまで無料で、以降は1ページあたり$0.015です。Businessプランでは、個別見積もりによりVPC、専用環境、ベアメタルデプロイメントが追加されます。
Unstructuredは企業データを扱っても安全か？: Apache 2.0ライセンスです。DO_NOT_TRACKまたはSCARF_NO_ANALYTICSを設定しない限り、ライブラリはロード時にバージョン、OS、Python、アーキテクチャ、GPUの有無を含むpingを送信します。2026年のアドバイザリには、MSGの重大なパストラバーサル、URLパーティショニングにおける重大なSSRF、中程度の蓄積型XSSが含まれます。ホステッドプラットフォームはSOC 2 Type 2、ISO 27001、HIPAAへの準拠を表明しています。
Unstructuredの代わりになるものは？: 当サイトでレビューした中で最も近い代替はDocling, LlamaIndex, Firecrawl, pdf-inspector 、 Xberg (formerly Kreuzberg)です。

回答確認日：2026年10月26日