Docling

Docling — открытая библиотека обработки документов для задач генеративного ИИ. Она извлекает содержимое из PDF, офисных файлов, HTML, изображений и других форматов.

При обработке PDF распознаёт порядок чтения, таблицы, формулы и структуру страниц, а для сканов поддерживает OCR. Результаты можно экспортировать в Markdown и JSON и использовать через Python API, CLI или в RAG-системах.

Основная обработка запускается локально после загрузки моделей. Сложные документы и OCR могут требовать значительных ресурсов; код распространяется по MIT, но у отдельных моделей могут быть другие лицензии, а управляемый сервис IBM — отдельный продукт.