Extraire du contenu web et de documents pour une IA : Docling, Crawl4AI, Marker et Unstructured, ce que disent les sources
Sources vérifiées le 18 octobre 2026 (comparatif rédigé le 18 octobre 2026).
Lecture des sources publiques, sauf mention d'un test d'usage séparé lié dans le texte : ce comparatif ne donne ni classement ni note. Notre méthode.
En résumé
Pour alimenter une IA avec vos contenus, il faut d'abord les transformer en texte propre (Markdown, JSON). Deux besoins différents se cachent derrière cette phrase : lire des documents (PDF, Word, tableurs) et lire des pages web. Selon leurs README, Docling, Marker et Unstructured visent d'abord les documents ; Crawl4AI vise les sites web. Ce ne sont donc pas quatre concurrents directs, et ce comparatif ne les classe pas.
Nous avons réalisé deux tests d'usage seulement, chacun sur une machine et un jeu d'essai minuscule : Docling 2.140.0 (un seul document Word inventé) et Crawl4AI 0.9.5 (trois pages d'un site local écrit par nous). Marker et Unstructured n'ont fait l'objet d'aucune installation de notre part. Les mesures des deux tests portent sur des tâches différentes et ne sont pas comparables entre elles : nous ne les mettons pas côte à côte.
| Outil | Cible principale (README) | Licence du code | Licence des modèles | Dernière release lue | Test d'usage MagicMate | Fiche |
|---|---|---|---|---|---|---|
| Docling | Documents : PDF, DOCX, PPTX, XLSX, HTML, images, etc. | MIT | Non relue par nous | v2.140.0, 2026-10-16 | Oui, un fichier Word | Fiche Docling |
| Crawl4AI | Pages web vers Markdown | Apache-2.0, avec clause d'attribution | Non vérifiée | v0.9.5, 2026-10-14 | Oui, site local | Fiche Crawl4AI |
| Marker | Documents : PDF, images, PPTX, DOCX, XLSX, HTML, EPUB | Apache-2.0 | Open Rail-M modifiée : conditions de revenu ou de financement | v2.0.0, 2026-07-20 | Non | Fiche Marker |
| Unstructured | Documents et textes : PDF, HTML, Word, etc. | Apache-2.0 | Non vérifiée pour le mode avec modèles | 0.27.28, 2026-10-16 | Non | Fiche Unstructured |
Documents : Docling, Marker, Unstructured
- Docling : le README liste, entre autres, PDF, DOCX, PPTX, XLSX, HTML, EPUB, images, formats d'e-mail, audio et vidéo, avec une compréhension de la mise en page des PDF, de l'OCR et des exports Markdown, HTML et JSON. Code sous licence MIT (API GitHub et README lus le 2026-10-18). Les poids de modèles téléchargés ont leurs propres licences, que nous n'avons pas relues. Sur notre test, un fichier Word court a été converti en Markdown sans télécharger de modèle, avec une sortie identique à chaque exécution ; l'installation a pris 216 s et l'environnement pèse 1 419 Mo, PyTorch compris. Voir le test d'usage. Les PDF et l'OCR n'ont pas été testés.
- Marker : le README annonce la conversion de PDF, images, PPTX, DOCX, XLSX, HTML et EPUB en Markdown, JSON, chunks ou HTML. Le code est sous Apache-2.0, mais le README précise que les poids des modèles suivent une licence Open Rail-M modifiée : gratuits pour la recherche, l'usage personnel et les structures sous 5 M$ de financement ou de chiffre d'affaires, licence commerciale au-delà. C'est la seule licence de modèles que nous ayons lue pour ces quatre outils. Le README décrit désormais un serveur d'inférence local (vLLM ou llama.cpp) lancé automatiquement : nous ne l'avons pas installé et ne savons pas ce que cela représente sur un poste de bureau. Les scores et débits publiés dans le README viennent de l'éditeur, sur un GPU de centre de données : nous ne les reprenons pas.
- Unstructured : bibliothèque de prétraitement de documents (PDF, HTML, Word et d'autres), sous Apache-2.0 (LICENSE.md lu). Selon le README, l'installation de base couvre le texte brut, le HTML, le XML, le JSON et les e-mails ; pour les autres formats, il faut des extras (
unstructured[all-docs]ou par type) et, selon le cas,poppler-utils,tesseract-ocretlibreoffice. Le README présente une offre payante comme plus précise que la bibliothèque libre, tout en affirmant que celle-ci reste gratuite.
Pages web : Crawl4AI
- Crawl4AI : le README le décrit comme un outil qui transforme un site en Markdown pour agents et bases de connaissances, installable par
pip install -U crawl4ai. Licence Apache-2.0 avec une clause d'attribution obligatoire d'après notre lecture du fichier LICENSE. - Sur notre site local de trois pages (version 0.9.5, Windows 11) : un paragraphe ajouté par JavaScript n'apparaissait qu'avec un délai d'attente explicite ; l'extraction par sélecteurs CSS a fonctionné sans modèle de langage ; la vérification de
robots.txtétait désactivée par défaut et une page interdite a été téléchargée tant quecheck_robots_txt=Truen'était pas demandé. Installation : 134 s plus 40 s pour le navigateur, 701 Mo pour l'environnement Python et 719 Mo pour les navigateurs. Voir le test d'usage. - Le README décrit aussi une offre hébergée payante ; nous ne l'avons pas utilisée.
Comment choisir sans promesse
- Votre source est un site web : Crawl4AI est celui des quatre dont le README cible les pages web. Docling accepte aussi une adresse (URL) en entrée dans ses exemples, mais son README ne le présente pas comme un outil d'exploration de sites : nous ne l'avons pas essayé pour cela.
- Votre source est un lot de documents : Docling, Marker et Unstructured se recoupent, avec des conditions différentes (licence des modèles, dépendances système, matériel). Aucune mesure de qualité en français ne nous permet de les départager.
- Usage commercial : lisez d'abord la licence des modèles, pas seulement celle du code (voir le tableau), et, pour un crawl, les conditions d'utilisation des sites visés. Ce comparatif ne traite pas la légalité du crawl.
- Dans tous les cas, faites un essai sur un échantillon de vos propres contenus avant de bâtir un traitement automatique.
Ce que nous n'avons pas testé
- Deux tests seulement, chacun sur une machine, un jeu d'essai minuscule et une version : Docling 2.140.0 (un document Word) et Crawl4AI 0.9.5 (site local). Leurs durées, tailles d'installation et pics de mémoire concernent des tâches différentes et ne sont pas comparables.
- Marker et Unstructured : aucune installation, aucune conversion, aucune mesure de durée, de taille ou de fidélité.
- Aucun outil n'a été essayé sur des PDF, scannés ou non, de l'OCR, ni sur des documents ou des sites réels en français.
- Aucune comparaison de qualité ou de vitesse entre les quatre outils ; les scores publiés par les éditeurs dans leurs README ne sont pas vérifiés par nous.
- Les licences des modèles de Docling, de Crawl4AI et d'Unstructured n'ont pas été relues ; seule celle de Marker est lue dans son README.
- Crawl4AI : pas de crawl de sites réels, pas d'extraction par modèle de langage, pas de Docker.
- Ces informations peuvent changer : date de vérification des sources, 2026-10-18.
Sources
Lues le 18 octobre 2026 (API GitHub pour la licence et la dernière release, README et LICENSE sur raw.githubusercontent.com).
- https://github.com/docling-project/docling (README, licence MIT, release v2.140.0)
- https://github.com/unclecode/crawl4ai (README, licence Apache-2.0, release v0.9.5)
- https://github.com/datalab-to/marker (README, MODEL_LICENSE, release v2.0.0)
- https://github.com/Unstructured-IO/unstructured (README, LICENSE.md, release 0.27.28)
- Nos tests d'usage du 2026-10-18 : Docling et Crawl4AI
- Avis MagicMate : Docling, Crawl4AI, Marker, Unstructured