Qu'est-ce que Docling ? Un guide pratique d'analyse de documents pour RAG

Docling peut transformer un fichier désordonné en contenu structuré et traçable avant que votre IA ne le voie. Voici ce que cela signifie en pratique et quand un autre analyseur peut être le meilleur choix.

Lorsqu’un assistant RAG donne une mauvaise réponse, le modèle de langage est une cible facile. Mais de nombreux échecs surviennent plus tôt. Un PDF a été lu dans le mauvais ordre. Un tableau est devenu un fouillis de chiffres. Un pied de page a été mélangé au corps. Au moment où l’information parvient au modèle, le sens a déjà été endommagé.

Le Docling est conçu pour cette première étape facilement négligée. Il convertit les documents en une représentation structurée qu'une application peut exporter, inspecter, fragmenter, intégrer et récupérer. Il est d'abord local, open source et suffisamment flexible pour tout gérer, d'un fichier Word vierge à un rapport annuel numérisé.

Ce guide explique Docling en anglais simple, montre comment il s'intègre dans un pipeline RAG et le compare avec Unstructured, LlamaParse, Marker et PyMuPDF4LLM. Le but n’est pas de déclarer un gagnant universel. Il s'agit de vous aider à choisir la bonne couche d'ingestion pour les documents dont vous disposez réellement.

Qu'est-ce que Docling ?

Docling est une boîte à outils de conversion de documents open source créée par des chercheurs d'IBM et désormais hébergée en tant que projet de la LF AI & Data Foundation. Il est disponible sous forme de bibliothèque Python, d'outil de ligne de commande, de serveur API auto-hébergé et d'intégrations pour les frameworks d'IA populaires.

Son travail consiste à prendre des fichiers conçus pour les utilisateurs (PDF, documents Word, présentations, feuilles de calcul, images, courriers électroniques, pages Web, etc.) et à les transformer en données que le logiciel peut comprendre. Le fonctionnaire Documentation Docling décrit la prise en charge PDF avancée pour la mise en page, l'ordre de lecture, les tableaux, le code, les formules, les images et OCR.

Docling est pas une base de données vectorielle, un modèle d'intégration ou une application RAG complète. Il prépare le matériel source pour ces systèmes. Considérez-le comme le pont entre « nous avons 20 000 fichiers professionnels » et « notre IA peut rechercher de manière fiable ce qu’ils contiennent ».

Question	Réponse courte
Qui a lancé Docling ?	L'équipe IA pour la connaissance d'IBM Research
Est-ce open source ?	Oui. Le code principal est sous licence MIT ; vérifiez les licences des modèles facultatifs que vous déployez.
Peut-il fonctionner localement ?	Oui, y compris les environnements hors ligne et sans espace après la prélecture des artefacts du modèle.
Que produit-il ?	Une structure DoclingDocument, avec des exportations telles que Markdown, HTML, texte, DocTags et JSON sans perte.
À quoi sert-il le mieux ?	Ingestion de documents, recherche IA, RAG, workflows d'extraction et agents nécessitant un contexte de document ancré.

Pourquoi Docling est plus qu'un outil PDF vers Markdown

Le moyen le plus simple de comprendre Docling est de comparer deux sorties possibles de la même page.

Un extracteur de texte de base peut renvoyer chaque mot visible sous la forme d'une longue chaîne. Cela peut fonctionner pour un simple mémo. Cela fonctionne beaucoup moins bien pour un document de recherche à deux colonnes, un état financier avec des en-têtes fusionnés ou un formulaire dans lequel la position d'une valeur vous indique ce que la valeur signifie.

Docling construit d'abord un DoclingDocument. Ce modèle de document unifié peut représenter :

• du texte, des tableaux, des images et des éléments de valeur-clé ;
• les sections, les groupes et la hiérarchie du document ;
• l'ordre de lecture prévu ;
• en-têtes et pieds de page séparément du corps principal ;
• emplacements des pages et cadres de délimitation lorsqu'ils sont disponibles ;
• provenance qui relie un élément extrait à sa source.

Cette distinction est importante. Markdown est une vue utile d'un document ; il ne s'agit pas du modèle de document lui-même. Une application peut conserver une représentation plus riche pour les citations et la validation, puis produire le résultat particulier dont chaque étape en aval a besoin.

Comment fonctionne Docling, sans le jargon

1. Vous lui donnez un fichier ou une URL. Le DocumentConverter identifie le format et sélectionne un backend et un pipeline de traitement appropriés.
2. Il lit à la fois le contenu et la structure. En fonction du fichier et de la configuration, Docling peut utiliser du texte natif, une analyse de mise en page, une reconnaissance de tableau, OCR ou un modèle de langage de vision.
3. Il construit un DoclingDocument. Le texte est organisé avec des tableaux, des images, une hiérarchie, la géométrie des pages et des informations sources.
4. Vous choisissez ce qui se passe ensuite. Exportez vers Markdown ou HTML, sérialisez vers JSON, créez des morceaux RAG, envoyez le résultat à un autre framework ou exposez la conversion via un API.

Cette conception modulaire est l’une des idées les plus fortes du Docling. Un PDF numérique propre ne nécessite pas toujours le même traitement visuel coûteux qu'une numérisation décolorée. Un document de recherche peut nécessiter des formules et un ordre de lecture, tandis qu'un flux de travail de facturation peut se soucier davantage de tableaux et de paires clé-valeur.

Quels formats de fichiers Docling prend-il en charge ?

Le courant référence des formats pris en charge couvre un mélange étonnamment large :

• Documents : PDF, DOCX, anciens fichiers Word, texte OpenDocument, Markdown, AsciiDoc, LaTeX, HTML et EPUB ;
• Feuilles de calcul et présentations : XLSX, PPTX, anciens formats Microsoft Office, ODS, ODP, CSV et Apple Pages ;
• Médias visuels : PNG, JPEG, TIFF, BMP et WebP ;
• Communication et médias : EML, MSG, Box Notes, transcriptions audio, vidéo et WebVTT ;
• Données spécialisées : JATS, XBRL, USPTO XML, EBCDIC, DocLang et Docling JSON.

Certains formats nécessitent des packages ou des outils système facultatifs. Les anciens documents Office nécessitent LibreOffice, l'audio et la vidéo nécessitent le supplément ASR, la vidéo nécessite FFmpeg et Apple Pages nécessite le format iWork supplémentaire. En d’autres termes, « pris en charge » ne signifie pas toujours « inclus dans la plus petite installation par défaut ».

Cinq raisons pour lesquelles Docling est attrayant pour RAG

1. Il conserve davantage le sens du document

RAG fonctionne mieux lorsque les morceaux contiennent des idées cohérentes. La hiérarchie des pages, les légendes, les en-têtes de tableau et l'ordre de lecture fournissent un contexte que le fractionnement arbitraire des caractères ne peut pas récupérer. Les chunkers natifs de Docling opèrent sur la structure du document au lieu de vous obliger à tout aplatir en premier.

2. Le traitement local est une option de premier ordre

Les principaux pipelines de Docling peuvent fonctionner sur votre propre machine ou infrastructure. Cela est précieux pour les contrats, les dossiers de santé, les rapports internes et autres documents sensibles. Le guide des options avancées indique que les services à distance nécessitent un consentement explicite ; sinon, Docling empêche cette opération.

Il existe une nuance importante : le traitement local peut toujours télécharger les pondérations du modèle la première fois que vous utilisez le pipeline PDF. Pour un déploiement véritablement hors ligne, récupérez au préalable les artefacts requis, stockez-les en interne et pointez Docling vers ce chemin.

3. Vous pouvez choisir la vitesse ou une compréhension plus riche

Docling n'est pas verrouillé sur une seule méthode d'analyse. Le pipeline PDF standard combine des étapes spécialisées pour la mise en page et les tableaux. Les pipelines VLM peuvent interpréter les pages de bout en bout. Le nouveau pipeline PDF natif ignore les modèles d'IA lorsque l'extraction directe est suffisante. Cela permet d'acheminer différemment les documents simples et difficiles au lieu de payer le même coût de calcul pour chaque page.

4. Son découpage comprend la structure du document

Le HybridChunker commence par des éléments de document hiérarchiques, puis divise les morceaux surdimensionnés et fusionne les petits morceaux compatibles selon un tokenizer. Il peut également répéter les en-têtes de tableau lorsqu'un tableau s'étend sur plusieurs morceaux. C'est beaucoup plus proche de la façon dont un lecteur comprend un rapport que de « diviser tous les 500 caractères ».

5. Il s'intègre dans une pile d'IA existante

Docling répertorie les intégrations avec LangChain, LlamaIndex, Haystack, CrewAI, les bases de données vectorielles et d'autres outils d'IA. Les équipes peuvent l'appeler directement depuis Python, exécutez service de docking derrière un point de terminaison HTTP, utilisez des outils par lots distribués ou exposez la conversion de documents aux agents.

Comment installer et utiliser Docling

Le package actuel prend en charge Python 3.10 ou version ultérieure. L'installation la plus simple est :

pip install docling

Convertissez ensuite un fichier local ou une URL et exportez-le vers Markdown :

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
document = converter.convert("annual-report.pdf").document

markdown = document.export_to_markdown()
print(markdown)

Le workflow équivalent en ligne de commande est tout aussi direct :

docling annual-report.pdf

C'est suffisant pour un premier test. Pour la production, configurez les formats autorisés, les limites de taille de page et de fichier, les langues OCR, les ressources de calcul, les délais d'attente et le stockage de modèle plutôt que de vous fier à toutes les valeurs par défaut.

Utilisation de Docling pour RAG

Une erreur courante consiste à exporter Markdown et à le diviser immédiatement par nombre de caractères. Cela supprime une partie de la structure que Docling a travaillé pour récupérer. Pour RAG, commencez par tester un chunker natif :

from docling.chunking import HybridChunker
from docling.document_converter import DocumentConverter

document = DocumentConverter().convert("annual-report.pdf").document
chunker = HybridChunker()

texts_for_embedding = [
    chunker.contextualize(chunk)
    for chunk in chunker.chunk(dl_doc=document)
]

contextualize() ajoute des métadonnées utiles, telles que des titres ou des légendes, au texte que vous intégrez. Docling recommande de faire correspondre le tokenizer du chunker au modèle d'intégration lorsque les limites de tokens sont importantes.

À partir de là, le flux est familier : intégrer le texte du fragment, stocker les vecteurs et les métadonnées, récupérer les fragments pertinents, éventuellement les reclasser et fournir les meilleures preuves à un modèle de génération. Pour une explication architecturale plus large, consultez notre guide sur RAG et génération augmentée par récupération et notre comparaison de bases de données vectorielles pour RAG.

Un avertissement concernant Markdown et les tables complexes

Markdown est pratique, lisible et largement pris en charge. Ce n'est pas sans perte.

Docling documentation de sérialisation explique que les cellules de tableau fusionnées sont conservées dans JSON, DocLang, DocTags et HTML. Les tables Markdown standard n'ont pas de syntaxe pour les étendues de lignes ou de colonnes, ces relations sont donc aplaties.

Si un flux de travail financier ou scientifique dépend d'en-têtes à plusieurs niveaux, ne présumez pas que l'exportation Markdown est la vérité terrain. Conservez le DoclingDocument ou le JSON sans perte et utilisez HTML ou un sérialiseur personnalisé où la structure des tables doit survivre.

Une meilleure analyse améliore-t-elle réellement RAG ?

Une étude de 2026 offre des preuves utiles, mais non universelles. Les chercheurs ont comparé Docling, MinerU, Marker et DeepSeek OCR sur 21 pipelines et 36 documents administratifs portugais. Dans ce corpus, Docling avec division hiérarchique et descriptions d'images a obtenu le résultat de réponse automatisée aux questions le plus élevé, rapporté à 94,1 % ± 1,6 %.

Le résultat le plus important était plus large : enrichissement des métadonnées et segmentation tenant compte de la hiérarchie ont contribué davantage à l'exactitude que le convertisseur seul, et les questions dépendantes des tableaux ont produit les écarts les plus importants. L'étude n'a utilisé que 50 questions dans une langue et un domaine, avec un juge LLM, elle ne doit donc pas être lue comme un classement universel. Cela renforce la leçon d'architecture : les choix d'analyse et de segmentation peuvent modifier sensiblement les réponses récupérées par un système RAG.

Docling contre Unstructured contre LlamaParse contre Marker

Ces outils se chevauchent, mais ce ne sont pas des produits identiques. La comparaison la plus utile commence par le modèle opérationnel et le flux de travail, et non par un seul score de précision.

Outil	Modèle de livraison	Meilleur ajustement	Principal compromis
Docling	Python open source, CLI, API auto-hébergé	Ingestion locale et sensible à la structure avec un modèle de document interne riche	Vous êtes propriétaire du déploiement, du réglage, des artefacts de modèle et de la mise à l'échelle
Unstructured	Bibliothèques open source et plateforme ETL gérée	Connecteurs source/destination étendus et flux de travail d'ingestion de production	Plus de surface de plateforme ; les capacités locales et gérées doivent être évaluées séparément
LlamaParse	LlamaCloud hébergé API	Analyse gérée de documents difficiles avec des niveaux d'agent et des instructions personnalisées	Coût d'utilisation, limite des données cloud et dépendance au service
Marker	Convertisseur open source local et options Datalab gérées	Conversion rapide de PDF/document en Markdown, JSON, HTML ou morceaux	La qualité et les modes matériels varient ; les licences de poids de modèle doivent être examinées
PyMuPDF4LLM	Bibliothèque locale légère	Extraction rapide et nécessitant peu de configuration sur des documents qui ne nécessitent pas un pipeline de vision plus lourd	Licence AGPL/commerciale et modèle de document multiformat moins élaboré

Docling contre Unstructured

Unstructured partitionne également les fichiers en éléments sémantiques et propose un découpage prenant en compte la structure. Son plus grand différenciateur est l'écosystème ETL environnant : connecteurs, pipelines, enrichissements, intégration et opérations gérées pour déplacer le contenu des sources vers les destinations.

Choisissez Docling lorsqu'une couche de conversion Python locale, un modèle de document explicite et un pipeline d'analyse personnalisable sont au centre du problème. Choisissez Unstructured lorsque la synchronisation continue de nombreux référentiels et destinations d'entreprise est aussi importante que l'analyse de chaque fichier. Les deux ont des composants open source, donc une véritable préparation peut commencer localement.

Docling contre LlamaParse

LlamaParse fait partie de LlamaCloud, un service hébergé de traitement de documents. Son API actuel offre des niveaux rapides, rentables, agentiques et agentiques-plus, y compris des instructions en langage naturel pour une analyse plus complexe ou spécifique à un domaine.

La décision est largement opérationnelle. LlamaParse est intéressant lorsque vous souhaitez un point de terminaison géré, une capacité élastique et une analyse sophistiquée sans exécuter vous-même des modèles. Docling est attrayant lorsque le contrôle local, l'utilisation isolée, la propriété prévisible de l'infrastructure et un pipeline open source inspectable sont plus importants. Si les documents ne peuvent pas quitter votre environnement, cette distinction peut décider de l'évaluation avant l'exactitude.

Docling contre Marker

Marker est un autre puissant convertisseur de documents local. Il peut produire du Markdown, du JSON, du HTML et des fragments, et son pipeline actuel utilise de manière sélective le traitement de la vision pour les analyses, les équations et les structures à faible confiance. C'est un candidat naturel lorsque la qualité de la conversion PDF et l'exécution locale sont les principales exigences.

Docling se distingue par l'écosystème plus large de DoclingDocument, sa provenance, son découpage natif, ses pipelines configurables et sa surface d'intégration. Le code de Marker est Apache 2.0, mais ses poids de modèle actuels ont une licence distincte basée sur OpenRAIL avec des seuils commerciaux. Le noyau de Docling est sous licence MIT, bien que les licences de modèles facultatives doivent toujours être vérifiées. Aucun des résumés de licence ne remplace un examen juridique pour un déploiement commercial.

Docling contre PyMuPDF4LLM

PyMuPDF4LLM est intentionnellement léger. Il utilise le moteur rapide MuPDF, ne nécessite aucun GPU pour son flux de travail principal et peut émettre des morceaux Markdown, JSON, du texte et des pages. Pour une collection de PDF épurés, il peut fournir exactement ce dont vous avez besoin avec moins de machines.

Docling est plus logique lorsque vous souhaitez une structure multiformat plus riche, des modèles de mise en page et de tableau spécialisés, des pipelines OCR/VLM commutables ou une représentation commune dans de nombreux types de documents. PyMuPDF4LLM bénéficie d'une double licence AGPL et commerciale, ce qui peut également influencer les déploiements propriétaires.

Là où Docling peut avoir du mal

Docling en est capable, mais cela ne fait pas de l'analyse de documents un problème résolu.

• Les pages complexes doivent encore être testées. Les tableaux imbriqués, les formes inhabituelles, l'écriture manuscrite, les diagrammes denses, les analyses de mauvaise qualité et les couches de texte brisées peuvent dérouter n'importe quel analyseur.
• L'installation par défaut n'est pas minuscule. Docling dépend de Python et de PyTorch, et les pipelines PDF les plus riches nécessitent des pondérations de modèle. Les premiers téléchargements et les démarrages à froid doivent être planifiés.
• Le traitement du processeur peut être lent à grande échelle. Local ne signifie pas automatiquement bon marché. Mesurez le nombre de pages par seconde, la mémoire, le temps d'attente et la simultanéité sur votre matériel réel.
• Les formats facultatifs ajoutent des dépendances. Les anciens fichiers Office, la vidéo, l'audio et les pages Apple nécessitent des composants supplémentaires.
• Le choix de la sortie peut supprimer la structure. Une exportation Markdown pratique peut aplatir les informations préservées par le modèle interne.
• Le projet avance vite. Les nouvelles versions arrivent fréquemment. Épinglez les versions et testez par régression un ensemble de documents représentatif avant la mise à niveau.
• Ce n'est que la couche d'ingestion. Vous avez toujours besoin d'intégrations, de stockage, de récupération, de contrôle d'accès, d'évaluation et d'une stratégie de génération de réponses.

La feuille de route officielle indique actuellement que l'extraction automatique des métadonnées, telles que le titre, les auteurs, les références et la langue, sera bientôt disponible. Si ces champs sont essentiels aujourd’hui, ajoutez votre propre étape d’extraction et de validation plutôt que de supposer qu’ils sont complets.

Quand choisir Docling ?

Docling mérite un essai sérieux lorsque :

• les documents doivent rester à l'intérieur de votre infrastructure ;
• les tableaux, la mise en page, la hiérarchie ou les citations sont importants pour la récupération ;
• vous avez besoin d'un modèle d'ingestion pour les fichiers PDF, les fichiers Office, le contenu Web, les images, les e-mails ou les formats spécialisés ;
• votre équipe est à l'aise avec l'exploitation d'un service Python ou d'un pipeline par lots ;
• vous souhaitez conserver une représentation riche du document au lieu de seulement Markdown ;
• vous avez besoin de la liberté de basculer entre le traitement natif, standard, OCR et VLM.

Un service géré peut être le meilleur choix lorsque vous disposez d'une petite équipe d'ingénieurs, de pics imprévisibles ou lorsque vous ne souhaitez pas exploiter une infrastructure d'analyse. Une bibliothèque plus légère peut gagner lorsque presque toutes les sources sont des PDF propres et nés numériques. Le meilleur analyseur est le système le moins compliqué qui préserve les informations dont dépend votre application.

Comment évaluer Docling sur vos propres documents

1. Créez un ensemble de tests difficiles. Incluez des pages à plusieurs colonnes, des analyses, des pages pivotées, de longs tableaux, des cellules fusionnées, des graphiques, des notes de bas de page et toutes les langues importantes.
2. Définissez ce que signifie « correct ». Ordre de lecture des partitions, cellules du tableau, titres, légendes, références de pages et omissions, pas seulement la précision des caractères.
3. Comparez les pipelines. Testez l'extraction native, le pipeline PDF standard, les paramètres OCR et un VLM uniquement là où une compréhension supplémentaire peut être utile.
4. Testez la récupération de bout en bout. Posez des questions dont les réponses dépendent de la disposition et des tableaux. Vérifiez les preuves récupérées avant de juger la prose finale.
5. Mesurer les opérations. Enregistrez la latence, le débit, la mémoire, la taille de téléchargement du modèle, les échecs et le coût des tentatives ou de l'examen humain.
6. Gardez un corpus doré. Réexécutez les mêmes documents et questions après chaque changement d'analyseur, de modèle, de chunker ou de version.

Ne choisissez pas un analyseur dans un document de démonstration ou dans un classement de fournisseurs. Une archive d'approvisionnement, une bibliothèque scientifique et un workflow de facturation peuvent produire trois gagnants différents.

Questions fréquemment posées

Docling est-il un produit IBM ?

Docling a débuté avec l'équipe IA pour la connaissance d'IBM Research. Il s'agit désormais d'un projet open source hébergé par la LF AI & Data Foundation, avec IBM toujours étroitement associé à son développement et à sa recherche.

Docling est-il gratuit et open source ?

Oui. Le code principal de Docling est disponible sous licence MIT. Les modèles facultatifs et les composants tiers peuvent comporter leurs propres termes. Vérifiez donc les artefacts exacts utilisés dans votre déploiement.

Docling s’exécute-t-il localement ?

Oui. L'exécution locale est une fonctionnalité essentielle, et les artefacts de modèle peuvent être préextraits pour des environnements hors ligne ou isolés. L’envoi de contenu à un service de modèle distant nécessite une inscription explicite.

Le Docling a-t-il besoin d'un GPU ?

Non, pas pour un usage basique. Docling prend en charge l'exécution du processeur et son nouveau pipeline PDF natif n'exécute pas de modèles de mise en page, OCR ou de tableau. Un GPU peut améliorer le débit des pipelines basés sur l’IA plus exigeants, notamment en termes de volume.

Docling est-il bon pour RAG ?

Oui, surtout lorsque la récupération dépend de la structure du document. Son modèle de document unifié, sa provenance, ses fragments tenant compte de la hiérarchie et ses intégrations de framework sont conçus pour l'ingestion de l'IA. Vous devez toujours l'évaluer avec vos fichiers et créer le reste de la pile de récupération.

Quelle est la différence entre Docling et OCR ?

OCR reconnaît le texte dans les images ou les numérisations. Docling peut utiliser OCR, mais il essaie également de comprendre l'ordre de lecture, la disposition, les tableaux, la hiérarchie, les images et les relations entre les éléments. OCR constitue une étape dans un flux de travail plus large de compréhension de documents.

Docling est-il meilleur que LlamaParse ou Unstructured ?

Pas dans toutes les situations. Docling est particulièrement intéressant pour le contrôle local et une représentation structurée riche. LlamaParse met l'accent sur un service d'analyse agentique géré, tandis que Unstructured combine l'analyse avec une plate-forme ETL et de connecteurs plus large. Testez les outils par rapport aux mêmes documents, questions en aval et contraintes opérationnelles.

Sources et méthodologie

Cet article a été révisé par rapport à documentation officielle Docling, référentiel source, Rapport technique d'IBM Research, et Notes de version v2.126.0. Les comparaisons utilisent la documentation ou les référentiels officiels pour Unstructured, LlamaParse, Marker, et PyMuPDF4LLM. Les capacités et les licences des produits peuvent changer ; vérifier la documentation actuelle avant le déploiement.

L'essentiel

Docling est intéressant car il traite la structure du document comme une donnée à conserver. Il peut transformer de nombreux types de fichiers en une représentation commune et traçable, s'exécuter localement et transmettre du matériel plus propre aux étapes de regroupement et de récupération qui suivent.

Ses atouts s'accompagnent de responsabilités : vous exploitez le pipeline, choisissez le bon mode de traitement, préservez le bon résultat et testez chaque classe de document difficile. Pour les équipes qui construisent un RAG privé ou très structuré, ce contrôle est souvent le point important. Pour les équipes qui souhaitent que l’analyse disparaisse derrière un API géré, un autre outil peut être mieux adapté.

La leçon pratique est plus simple que le paysage des outils : avant de modifier votre modèle de langage, inspectez ce que votre analyseur lui a donné. De meilleures réponses en matière d’IA commencent souvent par un meilleur document.