Nettoyage et structuration de documents hétérogènes pour LLM (Unstructured)

Unstructured transforme des documents de formats disparates et mal structurés (PDF scannés, Word, e-mails, pages web) en données propres et exploitables par un LLM, avec découpage intelligent par éléments (titres, tableaux, listes) plutôt que par simple nombre de caractères. C'est la brique "nettoyage de données" qui manque souvent avant de brancher un pipeline RAG.

Limites et précautions : l'installation de base (pip install unstructured) ne couvre que le texte brut, le HTML, le XML, le JSON et l'e-mail. Pour les PDF scannés, les documents Word et les images, il faut pip install "unstructured[all-docs]" ou des extras (docx, pptx, pdf, image), plus des dépendances système : tesseract-ocr, poppler-utils, libmagic-dev et libreoffice. La télémétrie est active par défaut (désactivation par DO_NOT_TRACK ou SCARF_NO_ANALYTICS). Selon le README, l'offre payante Transform v2 API est plus précise que la bibliothèque libre (revendication de l'éditeur).

Critique Marketia

Verdict

Boîte à outils très active pour préparer des documents, mais la fiche présente comme prêt à l'emploi ce qui exige des extras, des dépendances système et, pour les PDF scannés, de l'OCR. À réécrire avec les vraies commandes.

Pour qui (PME française)

• Une équipe technique qui veut un prétraitement avant RAG et accepte d'installer tesseract, poppler et libreoffice.
• Pas pour qui attend la qualité de l'offre payante : le README la présente comme supérieure.

Points forts prouvés

• Licence Apache 2.0 (LICENSE.md lu : « Copyright 2022 Unstructured Technologies, Inc »).
• Activité très forte : plusieurs commits humains détaillés le 2026-10-16 (commits.atom).
• Le README affirme que la bibliothèque libre « is, and will stay, completely free ».
• Image Docker officielle disponible (README).

Limites et risques

• 183 issues ouvertes (page lue). Récentes : #4390 (échec d'installation avec uvx à la compilation de llvmlite), #4443 et #4446 (erreurs de décodage sur des fichiers CSV UTF-16 et texte non UTF-8), #4542 (noms d'expéditeurs d'e-mails encodés RFC 2047). Hors des 12 : #4377 (le texte invisible d'un PDF peut arriver dans les fragments envoyés au LLM, risque d'injection) et #4155 (échec d'installation sur Windows CPU).
• Le README note que la construction de l'image Docker peut échouer si l'image de base wolfi-base change.

Effort d'installation réel

Court pour le format texte, moyen pour PDF/Office avec OCR. Estimation : une demi-journée avec dépendances système ; non mesuré.

Alternatives

• Docling (critique pilote) ; Marker (critique skill-conversion-pdf-marker, licence de poids conditionnelle).

Licence et attribution

Avertissement de licence : « Licence des poids hi_res NON VÉRIFIÉE (ni README ni carte HF) ; limiter au mode sans modèle ou vérifier ». La relecture des licences note que unstructuredio/yolo_x_layout n'a ni champ de licence ni carte ; les modèles Table Transformer et Tesseract n'ont pas été relus.

Ce que nous n'avons pas testé

Aucune installation, aucun test de partitionnement sur des PDF scannés français, aucune vérification des chiffres de qualité, aucune lecture du code de découpage, aucune vérification du comportement de la télémétrie.

Sources (lues le 2026-10-17)

• https://raw.githubusercontent.com/Unstructured-IO/unstructured/HEAD/README.md et LICENSE.md
• https://github.com/Unstructured-IO/unstructured/commits.atom et issues
• Relevé des licences de poids de modèles du 2026-10-17 (seconde main)