Docling s'attaque à l'obstacle le plus sous-estimé avant de donner un PDF à un grand modèle : la mise en page. Les extracteurs ordinaires déversent un PDF dans l'ordre des caractères, si bien que les pages en deux colonnes se lisent en travers, les tableaux s'effondrent et les titres se fondent dans le texte ; aussi intelligent que soit le modèle derrière, il ne peut que deviner dans un texte brouillé. Docling comprend d'abord la structure de la page, puis exporte un Markdown ou un JSON propre. Le projet a dépassé les 60 000 étoiles sur GitHub et compte parmi les projets open source les plus suivis de l'analyse documentaire.
Informations sur le dépôt officiel
La plateforme est GitHub, l'organisation s'appelle docling-project et le projet docling. Il est né dans une équipe d'IBM Research à Zurich, vit aujourd'hui sous la LF AI & Data Foundation et est publié sous licence MIT. Bibliothèque Python, il demande Python 3.10 ou plus, s'installe en une commande pip, et fournit une interface en ligne de commande ainsi que des intégrations prêtes pour les cadres courants de questions-réponses documentaires.
Ses forces, et pourquoi il s'est répandu
D'abord, la compréhension de la mise en page : des modèles dédiés déterminent l'ordre de lecture, les niveaux de titres, les paragraphes, les listes, les blocs de code et les formules, tandis qu'un modèle de structure de tableau reconstruit lignes et colonnes au lieu de coller les cellules par leurs coordonnées. Ensuite, la largeur des formats : PDF, DOCX, PPTX, XLSX, HTML, images et même audio se convertissent en une seule structure documentaire interne, puis s'exportent uniformément en Markdown, HTML ou JSON ; le code en aval ne voit qu'un seul format. Enfin, une voie pour les numérisations : l'OCR intégré traite les PDF scannés, la catégorie la plus fréquente des archives d'entreprise et la plus capable de faire trébucher les analyseurs simples. Réunis, ces atouts se placent exactement à l'entrée d'une chaîne de génération augmentée par récupération : les documents deviennent des données structurées avant le découpage, et la recherche comme les réponses en profitent ensuite.
Les coûts de déploiement, en trois comptes
L'installation coûte peu ; c'est l'exécution qui facture, car il faut charger les modèles de mise en page et de tableaux. Le premier lancement télécharge les poids des modèles. Un portable ordinaire traite bien de petits lots, mais n'attendez pas la vitesse d'une extraction de texte brut : les PDF complexes avec tableaux et figures se paient à la page. La production par lots demande en général une machine à GPU ou un service d'analyse dédié ; forcer de gros volumes de scans sur un CPU construit une file très visible. Le troisième compte est l'intégration : la sortie est un document structuré, pas un produit de questions-réponses fini. De DoclingDocument au découpage, à la vectorisation et à l'indexation, il reste de l'ingénierie à câbler, que ses connecteurs aux cadres courants raccourcissent.
Les vrais pièges, absents de la page d'accueil
Les tableaux complexes échouent encore : tableaux à cheval sur plusieurs pages, états financiers pleins de cellules fusionnées et tableaux sans bordures peuvent sortir faux, donc les documents métier importants exigent un contrôle humain par échantillon. Les mauvais scans transmettent les erreurs d'OCR jusqu'au bout, avec les tampons, les notes manuscrites et les basses résolutions comme pires cas. Les cycles de publication rapides coupent dans les deux sens : interfaces et modèles par défaut changent sans cesse, donc l'épinglage de version et les tests de régression ne sont pas une discipline optionnelle. Et un avertissement contre le suréquipement : pour des documents simples, c'est un marteau-pilon. Le Markdown brut et les PDF numériques propres sont servis plus vite et pour moins cher par des outils légers.
À qui il convient, et à qui il ne convient pas
Il convient aux équipes qui construisent des bases de connaissances d'entreprise, des questions-réponses documentaires ou des chaînes de traitement de littérature en masse et qui ont souffert des tableaux et des doubles colonnes, ainsi qu'aux contextes sensibles où les documents doivent être analysés en local sans quitter le réseau. Il ne convient pas à qui convertit occasionnellement un ou deux fichiers simples ; un outil en ligne est moins contraignant. Il ne convient pas non plus à qui attend un système de questions-réponses prêt à l'emploi ; il ne court que la première étape de la chaîne. Le test direct : passez vos dix fichiers à la mise en page la plus affreuse, et ne l'admettez dans la vraie chaîne que si tableaux et ordre de lecture réussissent.
