Docling ドキュメントパーサー

Docling は、PDF、Word ドキュメント、PowerPoint、画像、その他のフォーマットを高度なレイアウト理解を備えた構造化データに変換するドキュメント解析ライブラリです。

クイックスタート

基本的なドキュメント変換:

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # URL, Path, or BytesIO
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())

コアコンセプト

DocumentConverter

ドキュメント変換のメインエントリーポイント。様々な入力フォーマットと変換オプションをサポートしています。

from docling.document_converter import DocumentConverter
from docling.datamodel.base_models import InputFormat
from docling.document_converter import PdfFormatOption
from docling.datamodel.pipeline_options import PdfPipelineOptions

# 基本的なコンバーター（すべてのフォーマット有効）
converter = DocumentConverter()

# フォーマット制限
converter = DocumentConverter(
    allowed_formats=[InputFormat.PDF, InputFormat.DOCX]
)

# カスタムパイプラインオプション
pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.do_table_structure = True

converter = DocumentConverter(
    format_options={
        InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)
    }
)

ConversionResult

すべての変換操作は以下を含む ConversionResult を返します:

• document: パースされた DoclingDocument
• status: ConversionStatus.SUCCESS、PARTIAL_SUCCESS、または FAILURE
• errors: 変換中に発生したエラーのリスト
• input: ソースドキュメントの情報

from docling.datamodel.base_models import ConversionStatus

result = converter.convert("document.pdf")

if result.status == ConversionStatus.SUCCESS:
    markdown = result.document.export_to_markdown()
    html = result.document.export_to_html()
    data = result.document.export_to_dict()

サポートされているフォーマット

入力フォーマット

• ドキュメント: PDF、DOCX、PPTX、XLSX
• マークアップ: HTML、Markdown、AsciiDoc
• データ: CSV、JSON（Docling フォーマット）
• 画像: PNG、JPEG、TIFF、BMP、WEBP
• オーディオ: WAV、MP3
• ビデオテキスト: WebVTT
• スキーマ固有: USPTO XML、JATS XML、METS-GBS

出力フォーマット

• Markdown: export_to_markdown() または save_as_markdown()
• HTML: export_to_html() または save_as_html()
• JSON: export_to_dict() または save_as_json()（注：export_to_json() メソッドはありません）
• テキスト: export_to_text() または export_to_markdown(strict_text=True) または save_as_markdown(strict_text=True)
• DocTags: export_to_doctags() または save_as_doctags()

一般的なパターン

単一ファイルの変換

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("document.pdf")

# 異なるフォーマットにエクスポート
markdown = result.document.export_to_markdown()
html = result.document.export_to_html()
json_data = result.document.export_to_dict()

# または直接ファイルに保存
result.document.save_as_markdown("output.md")
result.document.save_as_html("output.html")
result.document.save_as_json("output.json")

バッチ処理

convert_all() の詳細については references/batch.md を参照してください。

URL 変換

converter = DocumentConverter()
result = converter.convert("https://example.com/document.pdf")

バイナリストリーム変換

from io import BytesIO
from docling.datamodel.base_models import DocumentStream

with open("document.pdf", "rb") as f:
    buf = BytesIO(f.read())

source = DocumentStream(name="document.pdf", stream=buf)
result = converter.convert(source)

フォーマット固有のオプション

from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions
from docling.document_converter import DocumentConverter, PdfFormatOption

# PDF 固有のオプションを設定
pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.ocr_options.lang = ["en", "es"]
pipeline_options.do_table_structure = True
pipeline_options.generate_page_images = True

converter = DocumentConverter(
    format_options={
        InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)
    }
)

リソースの制限

converter = DocumentConverter()

# ファイルサイズ（バイト）とページ数を制限
result = converter.convert(
    "large_document.pdf",
    max_file_size=20_971_520,  # 20 MB
    max_num_pages=100
)

ドキュメント分割

RAG 統合については references/chunking.md を参照してください。

DoclingDocument 構造

DoclingDocument はパース済みコンテンツを表す Pydantic モデルです:

# ドキュメント構造へのアクセス
doc = result.document

# コンテンツアイテム（リスト）
doc.texts         # TextItem インスタンス（段落、見出しなど）
doc.tables        # TableItem インスタンス
doc.pictures      # PictureItem インスタンス
doc.key_value_items  # キーバリューペア

# 構造（ツリーノード）
doc.body          # メインコンテンツ階層
doc.furniture     # ヘッダー、フッター、ページ番号
doc.groups        # リスト、章、セクション

# 読み順ですべての要素を反復処理
for item, level in doc.iterate_items():
    print(f"{'  ' * level}{item.label}: {item.text[:50]}")

高度な機能

OCR 設定

from docling.datamodel.pipeline_options import (
    PdfPipelineOptions,
    EasyOcrOptions,
    TesseractOcrOptions,
    TesseractCliOcrOptions,
    OcrMacOptions,
    RapidOcrOptions
)

# EasyOCR（デフォルト）
pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.ocr_options = EasyOcrOptions(lang=["en", "de"])

# Tesseract
pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.ocr_options = TesseractOcrOptions(lang=["eng", "deu"])

# RapidOCR
pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.ocr_options = RapidOcrOptions()

テーブル抽出オプション

from docling.datamodel.pipeline_options import (
    PdfPipelineOptions,
    TableFormerMode
)

pipeline_options = PdfPipelineOptions()
pipeline_options.do_table_structure = True

# セルマッチングを使用（PDF セルにマッピング）
pipeline_options.table_structure_options.do_cell_matching = True

# または予測セルを使用
pipeline_options.table_structure_options.do_cell_matching = False

# 精度モードを選択
pipeline_options.table_structure_options.mode = TableFormerMode.ACCURATE

ページ画像

pipeline_options = PdfPipelineOptions()
pipeline_options.generate_page_images = True  # HTML エクスポート画像に必要

# 埋め込み画像でエクスポート
result.document.save_as_html(
    "output.html",
    image_mode=ImageRefMode.EMBEDDED
)

エラーハンドリング

from docling.datamodel.base_models import ConversionStatus

result = converter.convert("document.pdf")

if result.status == ConversionStatus.SUCCESS:
    print("Conversion successful")
elif result.status == ConversionStatus.PARTIAL_SUCCESS:
    print("Partial conversion:")
    for error in result.errors:
        print(f"  {error.error_message}")
else:  # FAILURE
    print("Conversion failed:")
    for error in result.errors:
        print(f"  {error.error_message}")

バッチ処理でのエラーハンドリング:

# エラー時も処理を継続
results = converter.convert_all(
    ["doc1.pdf", "doc2.pdf", "doc3.pdf"],
    raises_on_error=False
)

for result in results:
    if result.status == ConversionStatus.SUCCESS:
        result.document.save_as_markdown(f"{result.input.file.stem}.md")
    else:
        print(f"Failed: {result.input.file}")

ゲート

出力を完全なものとして扱う、またはダウンストリーム（RAG、評価、ストレージ）に供給する前に:

1. convert() から result を取得するか、references/batch.md のバッチシーケンスに従います。
2. パス: result.status が ConversionStatus.SUCCESS である、または PARTIAL_SUCCESS で result.errors を読み取り、タスク用の部分出力を明示的に受け入れている、または FAILURE を処理している（意図しない限り、失敗時にエクスポート/分割なし）。
3. その後のみ export_to_*、save_as_*、または references/chunking.md のチャンカーを呼び出します。

convert_all の場合: 各入力が結果にマップされ、各 result.status が出力を書き込む前に分類されるときにパスします（references/batch.md を参照）。

CLI 使用法

# 基本的な変換
docling document.pdf

# 特定の出力に変換
docling --to markdown document.pdf

# カスタムモデルパスを使用
docling --artifacts-path /path/to/models document.pdf

# VLM パイプラインを使用
docling --pipeline vlm --vlm-model granite_docling document.pdf

リファレンスドキュメント

• Parsing Options - DocumentConverter 初期化、フォーマット固有のオプション、OCR 設定
• Batch Processing - convert_all()、エラーハンドリング、並行処理パターン
• Chunking - HierarchicalChunker、HybridChunker、RAG 統合
• Output Formats - export_to_markdown()、export_to_html()、export_to_dict()、ドキュメント構造

キー型

• DocumentConverter: メイン変換クラス
• ConversionResult: ドキュメントと状態を含む変換結果
• DoclingDocument: 統一ドキュメント表現（Pydantic モデル）
• InputFormat: サポート入力フォーマットの列挙型
• ConversionStatus: SUCCESS、PARTIAL_SUCCESS、FAILURE
• PdfPipelineOptions: PDF パイプラインの設定
• ImageRefMode: EMBEDDED、REFERENCED、PLACEHOLDER

統合例

LangChain

from docling.document_converter import DocumentConverter
from langchain_text_splitters import MarkdownTextSplitter

converter = DocumentConverter()
result = converter.convert("document.pdf")
markdown = result.document.export_to_markdown()

splitter = MarkdownTextSplitter(chunk_size=1000)
chunks = splitter.split_text(markdown)

LlamaIndex

from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker
from llama_index.core import Document

converter = DocumentConverter()
result = converter.convert("document.pdf")

chunker = HybridChunker()
chunks = list(chunker.chunk(result.document))

documents = [
    Document(text=chunk.text, metadata=chunk.meta.export_json_dict())
    for chunk in chunks
]

注記

• Docling は同期 API を使用しています（ネイティブ非同期サポートなし）
• モデルは初回使用時に自動的にダウンロードされます（事前フェッチ可能）
• エアギャップ環境でのローカル実行をサポート
• OCR とテーブル検出の GPU アクセラレーションをサポート
• デフォルトモデルは CPU で実行; GPU は設定が必要