Unstructured：文書データの抽出・変換・取り込み

REVISION_ID: EA-213-GAP-FIRST-20261004 REVISION_KIND: FIRST_FORMAL_RESEARCH_AFTER_LOCATION_ONLY_RECORD EVIDENCE_AS_OF: 2026-10-04 JST OWNER: Work gap recovery

EA_MASTER行214はLUNA_PRESEARCH_NOT_LOCATED。退避Doc 1Vd0BP7G2UyPDRQs_-8dPvTgQ78Tk6kcVGuMJjqNdr84、tab t.0、827–1322を直接取得した。内容は先行成果の所在未確認、NOT_REVIEWED、通常調査をせず次へ進むという記録であり、研究完成本文ではない。ARTIFACT_INDEXの共通827以前から3595までのRUN参照を、EA別研究Packetの証拠と扱わない。今回のユーザー指示により正式調査を実施する。旧Luna成果が存在しないとは断定しない。Drive EA-213検索で既知の台帳・退避・原案のみ、Library完全一致タイトル検索で該当固有成果なし。検索は非網羅的。

本調査はOSS unstructuredの文書要素抽出、chunking、来歴、ローカル実行の境界を扱う。有料Pipelines、Transform MCP、APIの品質・契約・保持・SLAは別製品としてUNKNOWN。本番採用や優位性の判断は含めない。

すべて2026-10-04に原ページ本文を取得。公開ドキュメントは可変のため、導入時にpackage・inference・OCR・モデルを固定する。

• partitionは元素材を意味要素へ変換する入口、chunkingはその後の加工である。抽出前のサイズ分割と同じ工程ではない。[U1, U2]
• PDFのstrategyは形式・native text・layout・OCR依存で選択が変わる。指定strategy名だけでは実際の処理経路を証明できず、fallbackを観測する必要がある。[U1]
• 文字列が取得できても段組み順序や表構造が正しいとは限らない。公式の複数段制約と歴史的報告は、読み順fixtureを必要とする反証である。[U1, U5]
• chunkのorig_elementsを保持すると抽出要素への逆参照を設計できる。ただし引用ページ・座標・権限の正しさが自動保証されるわけではない。[U2, U3]
• repoのanalytics説明は文書本文を含めないと述べるが、ローカル実行を無通信と同義にできない。opt-out、モデル取得、遠隔推論、依存通信を個別確認する。[U4]

DOCUMENT_ETL_RECORD_V1を組織側の受入契約として提案する。source_id/input_sha256/MIME/page_count、parser/package/inference/model/OCR version、requested/effective strategy、fallback_reason、element IDs/page/bbox、chunk ID→元要素ID、table structure、ACLとtenant、warnings、elapsed/max_RSS、egress evidence、output_sha256を保存する。これはUnstructured標準schemaや実装済み制御ではない。

運用経路は許可素材→入力hash・形式判定→固定依存の隔離parser→空出力・fallback・来歴検査→golden照合→ACL付きindex候補→人または決定論的品質gateとする。原文の命令をtool実行権限へ昇格させない。素材が空の場合とparserが空を返した場合を別dispositionにする。

scan、混合native text、段組み、横断表、copy-protection、壊れたOffice、巨大・暗号化・画像爆弾、言語pack欠落、OCR数字・単位誤り、rendererのページ情報欠落、chunkの見出し誤判定、fallback無記録を対象とする。U1の古いbackend名をそのまま最新packageの保証としない。導入versionでeffective routeを実測する。表HTML生成はセル意味の正しさの証明ではない。OCR品質改善がRAG回答改善を必ずもたらすとも言わない。

実parserの比較評価は未実施。今回は文書に基づく運用設計と合成recordの受入gateのみを検証する。実測値・速度・精度の主張はゼロ。 導入fixtureはborn-digital/scan/mixed PDF、二段読み順、結合セル/複数ページ表、日英・縦書き、Office/HTML、empty/encrypted/oversizedを含める。人が確定したgolden text、順序edge、表cellとrow/col span、ページ・引用元をoracleにする。CER/WER、reading-order違反、cell precision/recall、来歴欠落率、空出力率、fallback率、ACL漏洩、latency/RSSを素材層別で測る。閾値は組織が定める。公開benchmarkの数字を本番へ転用しない。 添付gate_fixture.pyは正常recordを通し、空出力・source差替え・ACL混在・順序反転・数値セル変更・chunk来歴欠落・未承認通信・未固定version・未記録fallbackを拒否する。OCR/Unstructuredを実行したテストではない。

parserを低権限、時間・メモリ・ページ数上限、egress制限付きで隔離する。取得権限とchunk ACLを継承し、原文hashと抽出出力hashを別管理。ログに不要な本文・画像・PIIを残さない。モデルdownloadとtelemetryは更新手順に含める。OSSライセンスとモデル・依存ライセンスを個別確認する。有料サービス契約は別審査。

Unstructuredは文書を要素へ分解し、その要素からRAG向けchunkを構成するOSS部品を提供する。抽出方式や依存によって読み順・表・来歴の結果が変わるため、元素材に照合した評価と権限継承を経てindexへ投入する。変換の成功だけで正確性や無通信性を判断しない。

旧Luna成果の一意locator、導入packageの固定version/モデルhash、日本語縦書き・複雑表の組織素材精度、独立本番性能、通信実測、承認済み閾値、有料契約条件はUNKNOWN。今回のbounded gateは一次資料・失敗境界・安全表現・未実測表示・全文candidate・保存readbackの成立を条件とする。独立監査PASSや公開を意味しない。

EA-214はDocling個別、EA-215は専用Parsing API、EA-216はOCR横断比較。優劣を未測定で決めない。content/staging/EA-213.mdの全文をPATH_GUARDED createとして提出。監査は入力hash・manifest hash・payload hash・引用対応・合成テストの限界を確認し、承認時だけREADYを作成する。