O que é Xberg (formerly Kreuzberg)?
O Xberg é o novo nome do Kreuzberg. O projeto reiniciou a numeração de suas versões na v1 sob o novo nome, o antigo repositório kreuzberg-dev/kreuzberg agora redireciona para xberg-io/xberg, e um repositório kreuzberg-lts separado mantém a linha v4 com suporte de longo prazo. A maioria dos projetos dependentes ainda declara a dependência como kreuzberg, de acordo com o README.
Trata-se de um núcleo em Rust que lê 107 formatos de documentos em 141 extensões de arquivo (PDF, Office, e-mail incluindo PST, e-books, LaTeX e Typst, arquivos compactados, imagens) e retorna texto simples, Markdown, Djot, HTML, uma árvore JSON ou DocTags compatíveis com o Docling. O OCR é modular: a documentação lista oito backends, sendo o Tesseract o padrão, PaddleOCR sobre ONNX Runtime, um motor para CPU chamado Sceptre, portes em Candle do GLM-OCR, TrOCR, DeepSeek-OCR e PaddleOCR-VL, além de modelos de visão hospedados por meio de seu próprio cliente liter-llm. Modelos de layout e tabelas em ML, transcrição com Whisper, análise de código com tree-sitter para 371 linguagens, divisão em partes, embeddings e extração estruturada guiada por LLM complementam os recursos.
Os bindings cobrem Python, Node.js, Go, Java, C#, Ruby, PHP, Elixir, Dart, Swift, Kotlin, Zig, WebAssembly e C. O repositório tem cerca de 9.400 estrelas, licença MIT e 98 lançamentos no GitHub; a v1.3.10 foi disponibilizada em 13 de outubro de 2026. A empresa responsável, Kreuzberg, Inc., vende uma composição gerenciada dessas mesmas bibliotecas por meio de um programa de design partners disponível apenas sob convite.
Xberg (formerly Kreuzberg) vale a pena?
O Xberg é a escolha mais consistente quando o desafio é a abrangência: um único motor em Rust que abre uma caixa de correio PST, um arquivo coreano HWP, um arquivo 7z aninhado e um PDF digitalizado, com suporte para chamadas a partir de 15 linguagens. O Docling e o Marker são bibliotecas Python; o Xberg fornece pacotes nativos para Go, Java, C#, PHP, Elixir e as demais, o que é relevante para equipes que não executam Python em produção.
O OCR funciona como uma escolha de backend em vez de um modelo fixo. O Tesseract é o padrão e exige um pacote do sistema além dos dados do idioma; o PaddleOCR roda por meio do ONNX Runtime; os quatro backends em Candle (GLM-OCR, TrOCR, DeepSeek-OCR, PaddleOCR-VL) são compilados nos pacotes distribuídos, mas baixam entre aproximadamente 250MB e 4GB de pesos no primeiro uso, conforme o guia de OCR. Cadeias de fallback permitem que um motor mais leve faça a primeira tentativa e um modelo de visão assuma as páginas nas quais ele falhar.
As alegações de desempenho partem do fornecedor. Sua página de benchmarks compara o Xberg com Docling, Unstructured, Tika, MarkItDown, PyMuPDF4LLM, LiteParse e MinerU ao longo de 60 documentos e 821 extrações a partir de sua própria estrutura de testes aberta, apontando o Xberg como o mais rápido e preciso. O corpus é reduzido e foi selecionado pelos mantenedores; encare a tabela como um incentivo para testar seus próprios documentos, não como uma conclusão definitiva.
O histórico de segurança deve ser avaliado antes de expor o servidor. Um alerta de alta severidade publicado em 6 de outubro de 2026 revelou que o endpoint POST /extract, que não possui autenticação, permitia a um cliente desativar o bloqueio de endereços privados do crawler e ler URLs internas; versões até a 1.3.3 são afetadas. A documentação da API também mantém o CORS liberado para qualquer origem por padrão e aceita corpos de requisição de 100MB, portanto o servidor REST deve operar atrás de seu próprio gateway. A mudança de nome adiciona atrito: nomes de pacotes, importações e URLs da documentação mudaram entre a v4 e a v1.
Onde ele se destaca
Um engenheiro de backend em uma start-up de e-discovery baseada em Go
Extrair texto e anexos de caixas de correio PST, arquivos do Office e PDFs digitalizados em um único serviço
Importe o pacote em Go e chame extract a cada upload, utilizando o Tesseract para digitalizações e um backend em Candle para as páginas em que o Tesseract apresentar baixa confiança. Não há sidecar Python para operar; o custo reside no tempo de CPU e em um servidor atualizado e protegido por firewall.
Uma equipe de plataforma em uma consultoria de 300 pessoas desenvolvendo RAG interno
Ingerir exportações do SharePoint e pastas de clientes arquivadas sem desenvolver um conversor por formato
Execute a imagem Docker em modo API atrás de um proxy com autenticação, direcione o processo de ingestão para ela e armazene a saída em Markdown com chunks. A biblioteca é gratuita; o trabalho consiste em fixar uma versão superior à 1.3.3 e configurar o CORS e os limites de payload.
Um desenvolvedor usando Claude Code ou Cursor em uma base de código com muitos documentos
Permitir que o agente leia PDFs, planilhas e apresentações no repositório
Instale a CLI e registre o xberg mcp via stdio; o servidor disponibiliza nove ferramentas, incluindo extract e extract_batch. Local e gratuito, embora um backend de visão configurado com um modelo hospedado envie imagens de páginas para esse provedor.
Antes de decidir
- Configuração
- pip install xberg, npm install @xberg-io/xberg, cargo add xberg, brew install xberg-io/tap/xberg ou docker pull ghcr.io/xberg-io/xberg; o Tesseract requer um pacote de sistema separado, e os pesos de OCR do Candle são baixados no primeiro uso.
- Integrações
- Bindings para 15 linguagens, uma CLI de 14 comandos, um servidor REST com esquema OpenAPI 3.1, um servidor MCP com nove ferramentas via stdio ou HTTP, um Helm chart, plugins de agentes e dependência das integrações centrais do Haystack, em sua maioria sob o nome Kreuzberg.
- Dados e privacidade
- Executa localmente em CPU por padrão; embeddings hospedados, extração via LLM e OCR por VLM enviam dados para o provedor configurado. Licença MIT. Um relatório de segurança de alta gravidade publicado (SSRF não autenticado em POST /extract, versões até 1.3.3).
- Custo em escala
- A biblioteca é gratuita e focada em CPU, de modo que os custos recaem sobre instâncias de processamento e tokens de modelos hospedados para OCR de VLM ou extração estruturada. Os preços dos planos gerenciados Pro e Enterprise são disponibilizados apenas para parceiros de design aceitos.
- Limites
- Sem autenticação nativa no servidor de API e CORS aberto por padrão; limite padrão de requisição de 100MB; cerca de 33 issues e pull requests abertos; recursos adicionais pesados (modelos de layout, transcrição, varredura de URLs) são controlados via feature flags do Cargo nas compilações a partir do código-fonte.
O que é bom
- 107 formatos, incluindo PST, HWP, Typst e arquivos compactados aninhados
- Bindings nativos para 15 linguagens, além de CLI, REST e MCP
- Oito backends de OCR intercambiáveis com cadeias de fallback
- Licença MIT e 98 lançamentos no GitHub
O que não é
- REST API sem autenticação; SSRF de alta gravidade corrigido após a 1.3.3
- Benchmarks elaborados pelo fornecedor, sobre um corpus de 60 documentos
- Renomeado a partir de Kreuzberg com uma nova linha de versões v1
- Backends de OCR com modelos de visão baixam até cerca de 4GB de pesos
Ideal para
Equipes fora do ecossistema Python que precisam de um único analisador integrável para uma ampla variedade de formatos de arquivo, com OCR modular.
Alternativas ao Xberg (formerly Kreuzberg)
Xberg (formerly Kreuzberg): perguntas frequentes
- Xberg (formerly Kreuzberg) vale a pena?
- O Xberg abre quase qualquer arquivo a partir de praticamente qualquer linguagem em que você programa, e esse alcance vem acompanhado de uma superfície ampla para proteger. Damos nota 4.1 de 5.
- Quanto custa Xberg (formerly Kreuzberg)?
- Gratuito sob a licença MIT. O Xberg Pro e Enterprise (backends gerenciados ou auto-hospedados) são vendidos por meio de um programa de design partners; os preços são divulgados apenas mediante solicitação.
- Quais são as desvantagens de Xberg (formerly Kreuzberg)?
- REST API sem autenticação; SSRF de alta gravidade corrigido após a 1.3.3; benchmarks elaborados pelo fornecedor, sobre um corpus de 60 documentos; renomeado a partir de Kreuzberg com uma nova linha de versões v1; backends de OCR com modelos de visão baixam até cerca de 4GB de pesos.
- Para quem Xberg (formerly Kreuzberg) é indicado?
- Equipes fora do ecossistema Python que precisam de um único analisador integrável para uma ampla variedade de formatos de arquivo, com OCR modular.
- Quanto custa Xberg (formerly Kreuzberg) para uma equipe ou em produção?
- A biblioteca é gratuita e focada em CPU, de modo que os custos recaem sobre instâncias de processamento e tokens de modelos hospedados para OCR de VLM ou extração estruturada. Os preços dos planos gerenciados Pro e Enterprise são disponibilizados apenas para parceiros de design aceitos.
- Xberg (formerly Kreuzberg) é seguro para dados da empresa?
- Executa localmente em CPU por padrão; embeddings hospedados, extração via LLM e OCR por VLM enviam dados para o provedor configurado. Licença MIT. Um relatório de segurança de alta gravidade publicado (SSRF não autenticado em POST /extract, versões até 1.3.3).
- Quais são as melhores alternativas ao Xberg (formerly Kreuzberg)?
- As alternativas mais próximas que analisamos são Docling, Unstructured, MarkItDown e Marker.
Respostas verificadas em 26 de out. de 2026.