В общем остановились на этой могучей библиотеки для получения текстовых сущностей из разного формата файлов. Если по простому - на вход любой тип файла, на выходе plain text.

Эксперименты показали - с русским языком лучше всего работает именно она. 200 релизов, огромное количество контрибуторов, лицения MIT. Рекомендую. И да, это бесплатно.

Библиотека Unstructured в 2025 году поддерживает более 25 типов файлов (в платной версии платформы - более 65).

Русский ИТ бизнес