Doclingが解くのは、PDFを大規模モデルへ渡す前に最も過小評価されがちな関門、レイアウトです。普通の抽出ツールはPDFを文字の順番で吐き出すため、二段組は行をまたいで読まれ、表は崩れ、見出しと本文が混ざります。下流のモデルが賢くても、乱れたテキストから推測するしかありません。Doclingはまずページ構造を理解し、綺麗なMarkdownやJSONを出力します。GitHubでは6万を超えるスターを集め、文書解析の分野で最も注目されるオープンソースの一つです。
公式リポジトリ情報
プラットフォームはGitHub、組織名はdocling-project、プロジェクト名はdoclingです。発祥はIBMチューリッヒ研究所のチームで、現在はLF AI & Data Foundationの下にあり、ライセンスはMITです。Python製で、Python 3.10以上が必要で、pipの一コマンドで始められ、コマンドライン用法と、文書質問応答フレームワーク向けの既成の統合も用意されています。
強みと広がった理由
第一にレイアウト理解です。専用のレイアウト解析モデルが読み順、見出しの階層、段落、リスト、コードブロック、数式を判断し、表構造モデルがセルの行列関係を復元します。座標で無理に貼り合わせる方式ではありません。第二に形式の広さです。PDF、DOCX、PPTX、XLSX、HTML、画像、さらには音声まで、すべて同一の内部文書構造へ変換され、Markdown、HTML、JSONへ統一して書き出せるため、下流のコードは一つの形式だけを相手にします。第三にスキャン文書への道です。内蔵OCRがスキャン版PDFを処理します。企業の古いファイルに最も多く、普通の解析ツールが最も転びやすい種類です。三つが合わさると、検索拡張生成のパイプラインの入口にちょうど収まります。分割の前に文書が構造化データになり、後段の検索と回答の質が一緒に上がります。
導入コスト、三つの勘定
インストール自体は安く、費用がかかるのは実行時で、レイアウトと表のモデルを読み込む必要があります。初回実行ではモデルの重みをダウンロードします。普通のノートPCで少量のファイルなら十分こなせますが、速度は純粋なテキスト抽出を期待しないでください。表や図の多い複雑なPDFはページ単位で時間がかかります。本番のバッチ処理では通常、GPUのマシンか専用の解析サービスが要り、CPUで大量のスキャンを押し切ると行列は目に見えて伸びます。第三の勘定は統合です。出力は構造化文書であって、そのまま質問に答える完成品ではありません。DoclingDocumentから分割、ベクトル化、登録まで、まだつなぐ工学が残り、主要フレームワーク向けの接続部品でその距離を縮める形です。
宣伝ページには書かれない本当の落とし穴
複雑な表は今も間違えます。ページをまたぐ表、結合セルの多い財務表、罫線のない表は構造復元が崩れることがあり、重要な業務では抽出して人の目で確認が必要です。スキャンの質が悪いファイルでは、OCRの誤りが下流までそのまま伝わり、印影、手書きの書き込み、低解像度のスキャンが特に目立ちます。更新の速さは諸刃で、インターフェースや既定モデルが変わり続けるため、バージョン固定と回帰テストの規律は省けません。過剰装備への注意も要ります。単純な文書には大げさで、プレーンなMarkdownや整った電子版PDFなら軽いツールの方が速くて安く済みます。
向いている人、向いていない人
企業の知識ベース、文書質問応答、大量の文献処理のパイプラインを構築中で、表や二段組に苦しめられたチームに向いています。文書を社内から出せず、ローカルで解析しなければならないコンプライアンスに敏感な場面にも向いています。単純なファイルをたまに一二件変換するだけの人には向きません。オンラインの道具の方が手間が省けます。入れたら質問応答システムが完成すると思っている人にも向きません。これはパイプラインの第一区間にすぎません。判定は単純で、手元で最もレイアウトの悪い十件を走らせ、表と読み順が合格すれば正式な工程へ入れてください。
