> Az Unstructured PDF-eket, Word-fájlokat és képeket típusszintű elemekké alakít RAG-hez: Apache-2.0 könyvtár és platform 0,015 dollár oldalanként az első 10 000 ingyenes oldal után.
>
> Web page: https://balazscsorba.com/hu/blog/unstructured · Language: Magyar · Also available in: [English](https://balazscsorba.com/blog/unstructured.md) · [Deutsch](https://balazscsorba.com/de/blog/unstructured.md)
> Author: Balázs Csorba · Published: 2026-05-21 · Keywords: unstructured.io, unstructured library python, unstructured vs llamaparse, document parsing for rag, pdf partitioning hi_res, unstructured pricing, chunk by title, document ingestion pipeline

[Blog](https://balazscsorba.com/hu/blog)/Retrieval és keresés

# Unstructured ismertető: dokumentumok feldolgozása RAG-hez

Az Unstructured PDF-eket, Word-fájlokat és képeket típusszintű elemekké alakít RAG-hez: Apache-2.0 könyvtár és platform 0,015 dollár oldalanként az első 10 000 ingyenes oldal után.

[Balázs Csorba](https://balazscsorba.com/hu/about)·2026\. május 21.·11 perc olvasás

-   Document parsing
-   RAG ingestion
-   PDF extraction
-   Chunking
-   ETL

![Három különböző formájú lap lép gépkeretbe, egyforma kis négyzetek távoznak sínen.](https://balazscsorba.com/images/blog/unstructured/cover.webp?v=4a9c35bae9)

## A lényeg röviden

-   Az Unstructured egy Apache-2.0 licencű Python-könyvtár, amely PDF-eket, Word-fájlokat és képeket cím, táblázat és lista típusú elemekké alakít, hostolt platformmal, csatlakozókkal és VLM stratégiával.
-   A platform 0,015 dollárt számol oldalanként az első 10 000 ingyenes oldal után, a könyvtár helyben fut oldalszám nélkül.
-   A szolgáltató saját, több mint 1 000 vállalati oldalas benchmarkján az open-source változat 0,426 táblázati cellatartalmat ér el 0,820-zal szemben a legjobb platform-pipelinenél.
-   A táblázati szerkezet és az olvasási sorrend hiba nélkül bukik el, ezért a korpusz mintáját olvassa el, mielőtt embeddig modellt választana.
-   A telemetria DO\_NOT\_TRACK és SCARF\_NO\_ANALYTICS kapcsolókkal kikapcsolható; a könyvtárral a dokumentumok nem hagyják el a gépet.

Ezen az oldalon

1.  [Mi ez](https://balazscsorba.com/#what-it-is)
2.  [Hogyan működik](https://balazscsorba.com/#how-it-works)
3.  [Első lépések](https://balazscsorba.com/#getting-started)
4.  [Teljesítmény és költség](https://balazscsorba.com/#performance)
5.  [Árazás](https://balazscsorba.com/#pricing)
6.  [Hol akad el](https://balazscsorba.com/#where-it-shingles)
7.  [Ítélet](https://balazscsorba.com/#verdict)
8.  [Források](https://balazscsorba.com/#sources)

Cikk meghallgatása

0:000:00

Az Unstructured az a dokumentumfeldolgozási réteg, amellyel a legtöbb lekérdező pipeline elkezdődik: egy Apache-2.0 licencű Python-könyvtár, amely PDF-eket, Word-fájlokat, HTML-t, képeket és táblázatokat típusszintű elemekké alakít, címekké, táblákká, listákká és szöveggé, emellett egy hostolt platform, amely csatlakozókat, módosításfelismerést és a könyvtárban nem meglévő stratégiákat ad hozzá. **A könyvtár szinte mindenkinek a jó kiindulópont; a platformnak csak akkor éri meg az árát, ha a táblázatok vagy a beszkennelt archívumok döntik el, hogy egyáltalán működik-e a pipeline.**

A réteg a stack elején ül, a chunking, az embeddig és a lekérdezés előtt, és a LlamaParse-szel, a Doclinggal, a Reductóval, az Azure Document Intelligence-nel, valamint a nagy felhőszolgáltatók parseoló végpontjaival versenyez. Előnye nem az, hogy minden benchmarkot megnyer, ezt a saját, közzétett számai cáfolják az open-source változatnál, hanem az, hogy a mag helyben, engedélyes licenc alatt fut: ezen a rétegen sem vektoradatbázis, sem chunker, sem hosting nem kényszerül rá.

## Mi ez

Telepítés `pip install "unstructured[all-docs]"` paranccsal, majd `partition()` hívás egy fájlra, és visszajön egy elemobjektum-lista, mindegyik típussal, szöveggel és metaadatokkal, például oldalszámmal és bounding boxszal. A `strategy` argumentum választja ki a folyamatot: `auto`, `fast`, `hi_res` és `ocr_only` a könyvtárban, `vlm` a platformtól, ami vizuális modellen küldi át az oldalakat. Eré épül a lánc, partition, chunk, enrich, embed és load, amit a platform jobként futtat, a könyvtár pedig szokásos függvényekként.

-   Licenc és tulajdonos: Apache-2.0 a könyvtárhoz; a platform az Unstructured kereskedelmi terméke ingyenes tarifával, pay-as-you-go-val és egyedi tarifával.
-   Lefedettség: az árlista több mint 45 támogatott fájltípust és több mint 40 csatlakozót sorol fel, több mint 20 forrásra és több mint 20 célra bontva.
-   Kimenet: típusszintű elemek, mint Title, NarrativeText, Table, ListItem és Image, oldalszámmal, koordinátákkal és metaadatokkal a helyett, hogy egyetlen szövegfal jönne vissza.
-   Stratégiák: `auto`, `fast`, `hi_res` és `ocr_only` helyben, plusz `vlm` és a gazdagítási lépések a platformon.
-   Chunking: cím szerint, oldal szerint, karakter szerint és hasonlóság szerint, a kontextuális chunking a platform funkciója.
-   Benchmarkok: az Unstructured több mint 1 000 vállalati oldalon közöl eredményeket a Reducto, a LlamaParse, a Docling, a Snowflake, a Databricks és az NVIDIA ellen.
-   Telemetria: a könyvtár névtelen használati adatokat küld, hacsak nincs beállítva a `DO_NOT_TRACK` vagy a `SCARF_NO_ANALYTICS`.

## Hogyan működik

Egy futás beolvassa a fájlt, szükség esetén rendereli az oldalakat, majd a területeket elemekre osztja. A `fast` a beágyazott szöveget veszi és címkézi; a `hi_res` elrendezés-felismerést és OCR-t futtat az oldalképen, ezért lassabb, ezért kell hozzá telepített modellcsomag, és ez a stratégia adja a táblázatokat, amiket érdemes megtartani; az `ocr_only` a tartalék, amikor egy oldalon egyáltalán nincs szövegréteg. Ezután a chunking a elemeket karakterkeret alá gyűjti, igyekezve nem elválasztani a címet attól az abszolútól, amelyet bevezet.

![Ahogy egy dokumentum kereshető szöveggé válik A forrásfájlok felülről érkeznek, a partition lépés típusszintű elemekre bontja őket, miközben olvassa az elrendezést és OCR-t futtat. Az elemeket címkék, oldalak vagy méret szerint chunkokká állítja össze, metaadatokkal és táblázati szerkezettel gazdagítja, vektorokba ágyazza, és több mint húsz célrendszer egyikébe tölti.](https://balazscsorba.com/images/blog/unstructured/diagram-7.webp?v=de8eea60a5)

Minden lépés a könyvtárban külön hívás, a platformon külön fázis, így a pipeline a közből újrafuttatható anélkül, hogy az egész korpuszt újra kellene feldolgozni.

A kimenetön áll vagy bukik az elemszél. Egy HTML-be, érintetlen fejlécsorral kijövő táblázat egy hasznos csomóponttá válik; ugyanaz a táblázat prózaként olvasva több chunkká szakad, amelyek mindegyike a szám felét hordozza. Ez az egész érv amellett, hogy számítson ez a réteg, és ez az egész ok arra, hogy az eredményt olvassuk, mielőtt az embeddig modellt cserélnénk.

## Első lépések

A könyvtár quickstartje egyetlen függvényhívás. Az alábbi kódrészlet PDF-et dolgoz fel a felbontásnál precíz stratégiával, megtartja a táblázati szerkezetet, cím szerint chunkol, és JSON-ba írja az eredményt.

```
from unstructured.partition.auto import partition
from unstructured.chunking.title import chunk_by_title
from unstructured.staging.base import elements_to_json

# strategy: auto, fast, hi_res or ocr_only; hi_res is the one that keeps table structure
elements = partition(
    filename="report.pdf",
    strategy="hi_res",
    infer_table_structure=True,
)
chunks = chunk_by_title(elements, max_characters=1_200, combine_under=300)

elements_to_json(chunks, filename="report.elements.json")
print(len(elements), "elements,", len(chunks), "chunks")
```

A helyi kísérleten túl a platform a gondozott út: ugyanaz a partition lépés API vagy ütemezett job mögött, csatlakozók S3-hoz, SharePoint-hoz, Google Drive-hoz és a többihez, módosításfelismerés, hogy csak az új vagy módosított fájlok dolgozódjanak fel, valamint a `vlm` stratégia. A könyvtár marad az a hely, ahol a parseoló kód maga él, és a dokumentáció is köré épül.

**Előbb az elemeket olvassa, csak utána az embeddigeket**

Partitionáljon száz oldalt a saját korpuszából, és olvassa el a kimenetet: elemtípusok, táblázati szerkezet, olvasási sorrend. Ennél a rétegnél a hiba csendes: a parseoló, amelyik a táblázat felét ejti, tiszta JSON-t ad vissza, és minden további metrika helyette a retrievert okolja.

## Teljesítmény és költség

A platform oldalakat számláz: 10 000 ingyen az elején, utána 0,015 dollár oldalanként, így egy 400 oldalas beszkennelt archívum hat dollárnyi feldolgozás, még mielőtt bárki feltett volna egy kérdést. A könyvtár CPU-ban és valós időben számláz: a `fast` közel I/O-kötött, a `hi_res` oldalanként elrendezési modellt és OCR-t futtat, a `vlm` pedig a számlát a számításról a modell tokenjeire helyezi át.

Pipeline

Adjusted CCT

Tokens added

Table cell content

Unstructured platform

0.880

0.051

0.820

Unstructured open source

0.715

0.119

0.426

LlamaParse VLM

0.835

0.069

0.522

Docling alapértelmezett

0.716

0.135

0.657

A számok az Unstructured saját, több mint 1 000 vállalati oldalra végzett benchmarkjából származnak, beszkennelt számlákból, egymásba ágyazott táblázatokból és kézírásból, a szolgáltatói összehasonlítás pedig marketing, ezért a használható jel egyetlen terméken belüli rés: 0,426 szemben 0,820 táblázati cellatartalommal az open-source változat és a legjobb platform-pipeline között, és 0,715 szemben 0,880 a javított szövegpontosságon. Az element alignment, hogy területet címkéztek-e szövegként, táblázatként vagy bekezdésként, az a mutató, amelynél az összes eszköz 0,53 és 0,61 közé esik, és ez ennek a rétegnek a becsületes nehézsége.

-   Egyszer parse-oljon, és tartsa meg az elem-JSON-t: ugyanazt a korpuszt chunkolási kísérlet közben újrapartitionálni ennek a rétegnek a leggyakoribb pénzégetése.
-   A stratégiát dokumentumtípusonként válassza, nem korpuszonként: `fast` digitális szövegre, `hi_res` scannekre és minden táblázatot tartalmazó dokumentumra.
-   Oldalakat számoljon, ne fájlokat, mert az oldalankénti ár egy 400 oldalas PDF-et költségtétellé tesz, nem a dokumentumok számát.

Ebből semmi sem egyedi erre a szolgáltatóra: minden parseoló a recallt adja a számítási időért. Egyedi viszont, hogy a számok egyáltalán megjelennek, egy olyan táblázatban, amelyben a versenytársak nevei is szerepelnek, és ez több, mint amit a mező többi szereplője közöl.

## Árazás

Két termék, egy név. A könyvtár Apache-2.0 és ingyenes: telepíti, a saját gépén futtatja, nincs fiók és nincs oldalszám. A platform ugyanez a feldolgozás kezelt jobokkal, csatlakozókkal és megfelelőséggel, oldalanként mérve.

-   Könyvtár: Apache-2.0, telepítés PyPI-ről, korlátlan oldal, saját hardver.
-   Ingyenes: 10 000 oldal induláskor, bankkártya nélkül, minden funkció benne van.
-   Pay-as-you-go: 0,015 dollár oldalanként az első 10 000 oldal után, minden funkció benne van.
-   Business: egyedi ár dedikált példányhoz, VPC-hez vagy bare metal környezethez, többfelhasználós fiókokkal, szerepalapú hozzáférés-vezérléssel és a szolgáltató megfelelőségi tanúsításaival.

## Hol akad el

Kezdje a gyengeségekkel. Az open-source változat a gyengébb parseoló, és a szolgáltató saját táblázata ezt mondja: 0,426 táblázati cellatartalom szemben 0,820-zal a legjobb platform-pipelinenél, 0,119 kitalált token szemben 0,051-rel. Az ár oldalanként megy, ami a digitálisan született PDF-eket jutalmassa, a scanneket bünteti, és rossz egység az egyik oldal, amelyik egy bekezdést tartalmaz, a következő pedig egy 400 cellás táblázatot. Amiért a platformot éri meg bérelni, a VLM-particionálás, az inkrementális módosításfelismerés, a több mint 40 gondozott csatlakozó és a megfelelőség, éppen az, amit a licenc nem tartalmaz. És a kimenet továbbra is ellenőrzést kíván: az olvasási sorrend és a táblázati szerkezet a két mező, amely hiba nélkül bukik el.

Eszköz

Mi az

Hol győz

Miről mond le

Unstructured

Könyvtár és hostolt platform

Helyi futás Apache-2.0 alatt, közzétett minőségi benchmarkkal

Oldalankénti számlázás, és az erős számokhoz a fizetős pipeline kell

LlamaParse

A LlamaIndex csapat hostolt parseolója

Gyors beállítás és szoros LlamaIndex-integráció

Csak hostolt, minden oldal elhagyja a hálózatot

Docling

Az IBM open-source parseolója

Egyetlen függőség, MIT-licenc, erős táblázati kimenet

Kevesebb fájltípus és nincs gondozott csatlakozóréteg

Reducto

Hostolt parsing API elrendezés-szabályozással

Táblázati pontosság és elrendezés-szabályozás szolgáltatásként

Csak API: nincs helyi futás és nincs bővíthető könyvtár

A valódi döntés az, ki fizet a minőségért. Ha a korpusz digitálisan született szöveg, és az elfogadható kimenet elég, a `strategy="fast"` parancsot használó könyvtár oldalanként ingyenes, és a feladathoz megfelelő méret. Ha a táblázatok, a scannek vagy a szabályozott adatok döntik el, hogy működik-e a pipeline, akkor a platform vagy egy specializált parseoló a vásárlás, és az egyetlen számító teszt az a száz oldal a saját dokumentumokból, amelyet azokon a mezőkön pontoz, amelyeket ténylegesen olvas.

**Telemetria és ami elhagyja a gépet**

A könyvtárral a dokumentumok helyben maradnak, de a csomag alapértelmezésben névtelen használati adatokat küld; a `DO_NOT_TRACK=1` és a `SCARF_NO_ANALYTICS=1` kikapcsolja ezt. A platform eleve a hostolt szolgáltatásnak küldi az oldalakat, a biztonsági oldalak pedig átviteli titkosítást, zero data retentiont és elkülönített inferenciát említenek azoknak a csapatoknak, akik ezt nem tehetik meg.

## Ítélet

Az Unstructured a lekérdező pipeline elején a legbiztosabb alapértelmezés, mert unalmas, helyi és mérhető: egyetlen függvény, amely típusszintű elemeket ad vissza, egy benchmark, amellyel lehet vitatkozni, és egy fizetős szint, amelybe át lehet térni az ingestion újraírása nélkül. Valójában az dől el, hogy a terméknek mennyi parsing-minőség kell, a szolgáltató saját számai pedig azt mondják, hogy az ingyenes változat nem ugyanaz, mint a fizetős.

1.  Könyvtárat használjon, ha már létezik pipeline, és típusszintű elemek kellenek a nyers szöveg helyett; Apache-2.0, helyben fut, és a stack többi részének megérintése nélkül cserélhető.
2.  Platformot használjon, ha az oldalak S3-ból, SharePointból vagy Confluence-ből érkeznek, és csatlakozókra, módosításfelismerésre és audit trailre van szükség.
3.  Ne fogadja el a pénzügyi táblázatok hivatalos parseolójaként a saját dokumentumai kiértékelése nélkül; a stratégiák közti rés egy terméken belül nagyobb, mint a szolgáltatók közti.
4.  Ne válassza, ha a nehéz helyi függőségi fa elfogadhatatlan, mert az `unstructured[all-docs]` magával húzza az OCR- és elrendezési csomagot, míg a Docling vagy egy hostolt API jóval könnyebb.
5.  Már az elején oldalakban költségvetést készítsen; az oldalankénti ár könnyen modellezhető és beszkennelt archívumokkal könnyen túlléphető.

> A dokumentumfeldolgozást mért lépésként kezelje, nem közműként: a stratégiát a saját oldalai mintáján válassza ki, tartsa meg az elem-JSON-t, és a parseolót csak akkor cserélje, amikor a táblázati számok elmozdulnak.

## Források

1.  [Unstructured dokumentáció: pipeline áttekintés](https://docs.unstructured.io/welcome)
2.  [Unstructured dokumentáció: transform quickstart](https://docs.unstructured.io/api-reference/transform/quickstart/overview)
3.  [Unstructured árazás: ingyenes oldalak, díj oldalanként és tarifák](https://unstructured.io/pricing)
4.  [Unstructured benchmarkok: több mint 1 000 vállalati oldal más parseolók ellen](https://unstructured.io/benchmarks)
5.  [Unstructured könyvtár a GitHubon](https://github.com/Unstructured-IO/unstructured)
6.  [Unstructured partition endpoint konténer](https://github.com/Unstructured-IO/unstructured-api)

## Gyakori kérdések

Az unstructured könyvtár ingyenesen használható?

Igen. A könyvtár Apache-2.0, PyPI-ról települ, és fiók vagy oldal korlát nélkül fut. A hostolt platformért kell fizetni: 10 000 ingyenes oldal induláskor, utána 0,015 dollár oldalanként.

Mi a különbség a könyvtár és a platform között?

A könyvtár a saját folyamatában partitionál, chunkol és rendez. A platform kezelt jobokat, több mint 40 gondozott csatlakozót, módosításfelismerést, hogy csak az új vagy módosított fájlok fussanak, VLM-particionálási stratégiát és megfelelőségi tanúsításokat ad hozzá. A szolgáltató benchmarkján ez 0,426 és 0,820 táblázati cellatartalomként jelenik meg.

Melyik particionálási stratégiát érdemes használni?

Az auto az alapértelmezett, fájlonként választ, a fast a beágyazott szöveget olvassa és a legolcsóbb, a hi\_res elrendezés-felismerést és OCR-t futtat, ez a scannekhez és táblázatokhoz való, az ocr\_only pedig a szövegréteg nélküli oldalakat kezeli. A VLM stratégia csak a platformon létezik.

Mennyibe kerül egy nagy dokumentumkészlet feldolgozása?

Az első 10 000 ingyenes oldal után 0,015 dollár oldalanként azt jelenti, hogy egy 500 oldalas scan 7,50 dollár a pay-as-you-go tarifán. A könyvtár saját üzemeltetése csak számítási időbe kerül, ezért a nagy archívumokat általában helyben dolgozzák fel, és csak a nehéz dokumentumok mennek a platformra.

Írta: Csorba Balázs

Senior fullstack és AI mérnök Stájerországban – több mint 10 év Vue, Nuxt, Node.js és PHP, ma AI-ügynököknek építek eszközöket.

[AI fejlesztés és MCP szerverek →](https://balazscsorba.com/hu/expertise/ai-engineer)[Rólam →](https://balazscsorba.com/hu/about)

## További cikkek

-   [Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon](https://balazscsorba.com/hu/blog/embedding-model-selection-2026)
-   [Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat](https://balazscsorba.com/hu/blog/contextual-retrieval-late-chunking)
-   [Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül](https://balazscsorba.com/hu/blog/rag-access-control-permissions)
-   [RAG termékkatalógusra: PIM-adatokból megbízható válaszok](https://balazscsorba.com/hu/blog/rag-product-catalog-pim-data)

## Pont erre van szükséged?

Írj a projektedről vagy a pozícióról – szívesen hallok felőled.

[Lépj velem kapcsolatba](mailto:contact@balazscsorba.com) [Kapcsolódjunk LinkedInen](https://www.linkedin.com/in/balazs-csorba)