Docling

Docling ist eine quelloffene Bibliothek zur Dokumentverarbeitung für generative KI. Sie extrahiert Inhalte aus PDFs, Office-Dateien, HTML, Bildern und weiteren Formaten.

Bei PDFs erkennt sie Lesereihenfolge, Tabellen, Formeln und Seitenstruktur; gescannte Dokumente können mittels OCR verarbeitet werden. Die Ausgabe umfasst Markdown und JSON und ist über Python-API, CLI oder RAG-Integrationen nutzbar.

Die Verarbeitung läuft nach dem Download der benötigten Modelle lokal. Komplexe Dokumente und OCR können viele Ressourcen erfordern; der Bibliothekscode steht unter MIT, einzelne Modelle können anders lizenziert sein, und IBMs verwalteter Dienst ist separat.