Docling

Docling est une bibliothèque Python open source, initiée par IBM Research, qui convertit des documents (PDF, DOCX, PPTX, XLSX, HTML, images) en une représentation structurée exploitable par un LLM : JSON ou Markdown, avec la hiérarchie des sections, les tableaux reconstitués et les images extraites.

Ce qui le distingue :

• Analyse de mise en page : des modèles dédiés détectent les blocs (titres, paragraphes, tableaux, figures) et l'ordre de lecture, y compris sur des PDF à plusieurs colonnes.
• Tableaux : la reconstruction de la structure des tableaux est l'un de ses points forts, là où un OCR brut rend une suite de cellules sans lien.
• Exécution locale : tout tourne sur votre machine ou vos serveurs, sans envoyer les documents à un service tiers. Un vrai argument pour les données confidentielles.
• Intégrations : connecteurs pour LangChain et LlamaIndex, avec un découpage en morceaux (chunking) qui respecte la structure du document.

Chez Dernier Cri, Docling est une brique que nous mettons en exploration pour la préparation de documents en amont d'un RAG ou d'une extraction de champs. Il ne remplace pas un service OCR managé sur les scans de mauvaise qualité, mais sur des PDF natifs il donne une base propre, gratuite et maîtrisée. Il s'inscrit dans notre offre IA et automatisation et dans notre expertise extraction de documents par l'IA.