지저분한 문서를 AI가 바로 쓰는 데이터로 바꾸는 오픈소스 2종
X 사용자 @DivyanshT91162가 공유한 문서 파싱 저장소 목록 중 공식 저장소로 확인된 Unstructured와 Docling의 실제 기능과 설치법을 정리했습니다.
원문 작성자 @DivyanshT91162(divyansh tiwari)가 2026년 10월 7일 X에 올린 "인터넷을 개인 데이터셋으로 바꾸는 GitHub 저장소 10선" 스레드 중, 공식 저장소와 공식 문서로 확인된 2종(Unstructured, Docling)의 내용을 그대로 옮깁니다.
이미지 출처: @DivyanshT91162 on X
이 글은 스레드 전체 10종을 다루지 않습니다. 원문 뒷부분이 잘려 있고 첨부 이미지 4장의 내용이 검증되지 않았기 때문에, 공식 저장소 설명으로 교차 확인된 1번과 2번 항목만 번역합니다.
1. Unstructured — 지저분한 문서를 쓸 만한 데이터로
원문 표현 그대로 옮기면 다음과 같습니다.
Unstructured — turn messy documents into usable data. Extract and structure content from PDFs, HTML, Word files and more.
공식 GitHub 저장소(Unstructured-IO/unstructured)의 설명도 같은 범위입니다. 복잡한 문서를 언어 모델용으로 깨끗하고 구조화된 포맷으로 바꾸는 오픈소스 ETL이며, PDF·HTML·Word 문서 같은 이미지와 텍스트 문서를 읽어들이는 모듈러 함수와 커넥터를 제공합니다. 저장소 주소는 다음과 같습니다.
원문에 별도 설치 명령이나 버전, 옵션은 포함되어 있지 않으므로 추가하지 않습니다.
2. Docling — 거의 모든 것을 AI용 데이터로
원문 표현 그대로 옮기면 다음과 같습니다.
Docling — convert almost anything into AI-ready data. Parse PDFs and complex documents while preserving useful structure and layout.
공식 GitHub 저장소(docling-project/docling)의 설명에 따르면, PDF·DOCX·PPTX·XLSX·HTML·EPUB·오디오·이미지 등 다종 포맷을 파싱하고 페이지 레이아웃과 표 구조, 수식, OCR 결과를 이해한 뒤 통일 포맷인 DoclingDocument로 표현하고 Markdown·HTML·WebVTT 등으로 내보낼 수 있습니다. 저장소 주소는 다음과 같습니다.
공식 페이지(docling.ai)가 명시한 로컬 설치법은 한 줄이며, 계정 생성이나 파일 업로드가 필요 없습니다.
pip install docling
원문에 없는 추가 단계나 옵션, 성능 비교는 덧붙이지 않습니다.
원문 출처
- @DivyanshT91162 원문 스레드: 10 GITHUB REPOS THAT TURN THE INTERNET INTO YOUR PERSONAL DATASET