Skip to content
    HAQQ
    تسجيل الدخول
    تواصل مع المبيعات
    جرّب HAQQ
    جرّب HAQQ
    1. الرئيسية
    2. المدونة
    3. Docling Python: دليل عملي لمعالجة الملفات في 2026
    أدلة وإرشادات

    Docling Python: دليل عملي لمعالجة الملفات في 2026

    ثبّت Docling 2.140 وحوّل ملفات PDF والمستندات الممسوحة إلى Markdown بخمسة أسطر، وطبّق OCR على عقد عربي ممسوح فيه جداول، ثم قطّعه لنظام RAG. شيفرة مُراجَعة في أكتوبر 2026.

    Jad JabbourJad Jabbour|
    20 مايو 2026
    7 دقائق للقراءة
    Docling Python: دليل عملي لمعالجة الملفات في 2026

    باختصار: Docling مكتبة Python مرخّصة بموجب رخصة MIT، نشأت في IBM Research وتستضيفها اليوم LF AI & Data، وتحوّل ملفات PDF وملفات Word والمستندات الممسوحة ضوئيًا وأكثر من 30 تنسيقًا آخر إلى Markdown أو JSON لاستخدامها في مسارات معالجة الذكاء الاصطناعي. يُثبَّت الإصدار 2.140.0 (16 أكتوبر 2026) بأمر pip واحد، ويحوّل ملفًا في خمسة أسطر من Python.

    bash
    pip install docling
    python
    from docling.document_converter import DocumentConverter
    
    converter = DocumentConverter()
    result = converter.convert("contract.pdf")  # a local path or a URL
    print(result.document.export_to_markdown())

    ملاحظة حول الإصدار: جرى التحقق من كل مقتطف برمجي في هذا الدليل على Docling 2.140.0 (PyPI، صدر في 16 أكتوبر 2026) وعلى مستودع docling-project/docling بتاريخ 20 أكتوبر 2026. تصدر Docling إصدارات جديدة كل بضعة أيام، لذا ثبّت رقم الإصدار في بيئة الإنتاج وأعد التحقق من أسماء الخيارات عند الترقية.

    حقائق أساسية

    • أحدث إصدار: Docling 2.140.0، نُشر على PyPI في 16 أكتوبر 2026 (PyPI، اطُّلع عليه في 20 أكتوبر 2026).
    • Python: الإصدار 3.10 أو أحدث؛ وأُلغي دعم الإصدار 3.9 في 2.70.0 (ملف README الخاص بـ Docling، اطُّلع عليه في 20 أكتوبر 2026).
    • الترخيص والجهة المستضيفة: MIT، المستودع github.com/docling-project/docling، وهو مشروع تابع لـ LF AI & Data، بنحو 69,000 نجمة على GitHub (GitHub، 20 أكتوبر 2026).
    • محركات التعرف الضوئي على الحروف (OCR): مُحدِّد تلقائي (الخيار الافتراضي)، وRapidOCR (مُثبَّت افتراضيًا)، وEasyOCR، وTesseract (عبر CLI أو tesserocr)، وmacOS Vision، وNemotron OCR، ومحرك KServe عن بُعد (pipeline_options.py، 2.140.0).
    • العربية: مدعومة عبر EasyOCR (`ar`) وTesseract (`ara`) ومُعرِّف الخط العربي في RapidOCR؛ ولا تزال الصفحات التي تمزج العربية والإنجليزية موضوع مسائل مفتوحة، مثل #3462 و#3929 (GitHub، اطُّلع عليه في 20 أكتوبر 2026).
    • التنسيقات: PDF وDOCX وDOC وRTF وPPTX وXLSX وCSV وHTML وMarkdown وAsciiDoc وLaTeX وEPUB والبريد الإلكتروني (EML وMSG) وODF والصور والصوت والفيديو، وغيرها (تعداد InputFormat، 2.140.0).

    جرّب HAQQ AI مجاناً

    اختبر الصياغة والبحث القانوني بالذكاء الاصطناعي

    فيمَ تُستخدم Docling؟

    تقع Docling في بداية مسار الاسترجاع أو تحليل المستندات. فهي تقرأ الملف، وتنفّذ اكتشاف التخطيط، وإعادة بناء ترتيب القراءة، واستعادة بنية الجداول، والتعرف الضوئي على الحروف حيث لا تحتوي الصفحة على طبقة نصية، ثم تعيد كائنًا واحدًا من نوع `DoclingDocument`. ومن هذا الكائن تُصدِّر Markdown أو HTML أو نصًا عاديًا أو JSON دون فقدان للبيانات، أو تسلّمه إلى أداة تقسيم (chunker) تُعِدّ المقاطع لنموذج التضمين (embedding).

    تهمّنا هذه المكتبة في العمل القانوني لأن العقود حافلة بالبُنى التي يُتلفها الاستخراج البسيط للنص من ملفات PDF: البنود المرقّمة، والملاحق، وجداول الدفعات، وخانات التوقيع، والصفحات التي ليست سوى صورة ممسوحة لأصل مختوم. وتعمل Docling محليًا، فلا تحتاج مستندات العملاء إلى مغادرة بنيتك التحتية لتحليلها.

    ما تنسيقات الملفات التي تدعمها Docling؟

    يقبل الإصدار 2.140.0 ملفات PDF (النصية والممسوحة ضوئيًا)، وWord (.docx و.doc)، وRTF، وPowerPoint (.pptx و.ppt)، وExcel (.xlsx و.xls)، وCSV، وHTML وMHTML، وMarkdown، وAsciiDoc، وLaTeX، وEPUB، وملفات البريد الإلكتروني (.eml و.msg)، وOpenDocument (.odt و.ods و.odp)، وApple Pages وNumbers وKeynote، والصور (PNG وJPEG وTIFF وغيرها)، وWebVTT، والصوت والفيديو عبر التعرف على الكلام. ويكتشف `DocumentConverter` التنسيق بنفسه، فيكفي أن تمرّر مسارًا أو رابطًا.

    هل تجري Docling التعرف الضوئي على الحروف؟

    نعم. القيمة الافتراضية لـ `PdfPipelineOptions.do_ocr` هي `True`، ويختار الخيار الافتراضي `OcrAutoOptions` محركًا متاحًا عند بدء التشغيل. وافتراضيًا يُطبَّق التعرف الضوئي فقط على المناطق التي تفتقر إلى طبقة نصية صالحة (`OcrMode.DEFAULT`، الذي يقابل حاليًا `PDF_AWARE_LAYOUT_REGIONS`). أما الملف الممسوح ضوئيًا بالكامل فاضبط له `mode=OcrMode.FULL_PAGE`. ولا يزال الخيار الأقدم `force_full_page_ocr=True` يعمل، لكنه مُهمَل.

    المحركفئة الخياراتالتثبيترمز العربية
    RapidOCRRapidOcrOptionsمُضمَّن في pip install doclingمُعرِّف الخط العربي (لغة واحدة في كل تشغيل)
    EasyOCREasyOcrOptionspip install "docling[easyocr]"ar (يمكن دمجه مع en)
    Tesseract CLITesseractCliOcrOptionsTesseract على مستوى النظام إضافة إلى ara.traineddataara (يُدمج بصيغة ["ara", "eng"])
    Tesseract (tesserocr)TesseractOcrOptionspip install "docling[tesserocr]" إضافة إلى Tesseract على مستوى النظامara
    macOS VisionOcrMacOptionspip install "docling[ocrmac]"، على macOS فقطيتوقف على إصدار macOS
    AutoOcrAutoOptionsافتراضييمرّر وسوم iso: إلى المحرك المختار

    تُمرَّر رموز اللغات إلى المحرك كما هي مكتوبة (`ara` لـ Tesseract، و`ar` لـ EasyOCR)، أو كوسم BCP-47 بعد البادئة `iso:`، مثل `iso:ar`، الذي تحوّله Docling إلى رمز المحرك الصحيح. وإذا لم يكن لدى المحرك نموذج للغة المطلوبة، فإنه يُصدر خطأً بدلًا من التحوّل بصمت إلى لغة أخرى، وهذا ما تريده في مسار معالجة قانوني.

    كيف أجري التعرف الضوئي على عقد عربي ممسوح ضوئيًا يتضمن جداول؟

    لنأخذ حالة نموذجية: عقد إيجار من دبي ممسوح ضوئيًا من 14 صفحة، نصّه الأساسي بالعربية مع مصطلحات معرَّفة بالإنجليزية، وجدول دفعات الإيجار في الصفحة 3، وصفحة توقيع مختومة. لا توجد طبقة نصية، لذا تمر كل صفحة بالتعرف الضوئي، ويحتاج جدول الإيجار إلى TableFormer في الوضع الدقيق. ونستخدم Tesseract هنا لأنه يعالج العربية والإنجليزية في الصفحة نفسها في تمريرة واحدة.

    python
    from docling.datamodel.base_models import InputFormat
    from docling.datamodel.pipeline_options import (
        OcrMode,
        PdfPipelineOptions,
        TableFormerMode,
        TableStructureOptions,
        TesseractCliOcrOptions,
    )
    from docling.document_converter import DocumentConverter, PdfFormatOption
    
    pipeline_options = PdfPipelineOptions()
    pipeline_options.do_ocr = True
    pipeline_options.ocr_options = TesseractCliOcrOptions(
        lang=["ara", "eng"],          # Arabic first, English defined terms second
        mode=OcrMode.FULL_PAGE,       # the scan has no text layer
    )
    pipeline_options.do_table_structure = True
    pipeline_options.table_structure_options = TableStructureOptions(
        mode=TableFormerMode.ACCURATE,
        do_cell_matching=False,       # let the model define cells on a scan
    )
    
    converter = DocumentConverter(
        format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
    )
    result = converter.convert("lease_dubai_scanned.pdf")
    doc = result.document
    
    # Tables come back as structured objects, not flattened text
    for table in doc.tables:
        df = table.export_to_dataframe(doc=doc)
        print(df.head())
    
    with open("lease.md", "w", encoding="utf-8") as f:
        f.write(doc.export_to_markdown())

    ثبّت أولًا Tesseract وبيانات اللغة العربية الخاصة به (`apt install tesseract-ocr tesseract-ocr-ara` على Debian أو Ubuntu، أو ملف `ara.traineddata` من مستودع tessdata على الأنظمة الأخرى). والمهمة نفسها من سطر الأوامر:

    bash
    docling --ocr-engine tesseract --ocr-lang ara,eng --ocr-mode full_page --table-mode accurate lease_dubai_scanned.pdf

    لاستخدام EasyOCR بدلًا من ذلك، ثبّت `docling[easyocr]` واستبدل الخيارات بـ `EasyOcrOptions(lang=["ar", "en"], mode=OcrMode.FULL_PAGE)`. ويستخدم EasyOCR وحدة معالجة الرسومات (GPU) عند توفرها، وهو ما يفيد مع الملفات الطويلة.

    ما الذي ينبغي التحقق منه في مخرجات عقد عربي

    • ترتيب الكلمات في الأسطر المختلطة. عندما يرد مصطلح معرَّف بالإنجليزية داخل جملة عربية، قد يعود ترتيب المقاطع النصية معكوسًا. وهذه المسألة متابَعة في المسألة #3462 (Mixed Arabic-English PDFs produce incorrect OCR/output text)، وكانت لا تزال مفتوحة في 20 أكتوبر 2026.
    • أشكال العرض في ملفات PDF الرقمية. تخزّن بعض ملفات PDF العربية الحروف بصيغة أشكال العرض في Unicode، مما يُعطّل البحث والتضمينات. وقد اقتُرح إصلاح للتوحيد القياسي في طلب الدمج #3929، ولا يزال مفتوحًا؛ وإلى أن يُدمج، طبّق `unicodedata.normalize("NFKC", text)` على النص المُصدَّر.
    • خلايا الجداول. قارن بالعين صفّين أو ثلاثة من جدول دفعات الإيجار بالصورة الممسوحة. وينبغي إبقاء المبالغ المكتوبة بالأرقام الهندية (٠١٢٣) كما وردت، وعدم تحويلها إلا في خطوة لاحقة موثّقة في السجل.
    • الأختام والتواقيع. تُكتشف على أنها صور. وهي ليست نصًا، فلا تتوقع ظهور عبارات الختم في ملف Markdown.

    لا يغني شيء من ذلك عن قراءة المحامي للأصل. لكنه يضع النص وترقيم البنود والجداول في صيغة تستطيع أدوات المراجعة العمل عليها، ويُبيّن لك الصفحات التي تحتاج إلى مراجعة بشرية ثانية.

    كيف أقسّم المستندات باستخدام HybridChunker؟

    يقسّم `HybridChunker` المستند وفق بنيته الخاصة (الأقسام والبنود وصفوف الجداول) ثم يكيّف المقاطع مع حدّ أقصى من الرموز (tokens). وفي الإصدارات الحالية يقع هذا الحدّ ضمن غلاف لأداة الترميز (tokenizer) من `docling-core`، وأنت من يمرّر هذا الغلاف إلى أداة التقسيم. أما الدروس الأقدم، بما فيها النسخة الأولى من هذا الدليل، فكانت تمرّر أداة ترميز `transformers` خامًا و`max_tokens` مباشرة إلى `HybridChunker`. ولا تزال هذه الطريقة تعمل، لكنها تُصدر الآن `DeprecationWarning`، لذا استخدم الغلاف.

    python
    from docling.chunking import HybridChunker
    from docling_core.transforms.chunker.tokenizer.huggingface import HuggingFaceTokenizer
    from transformers import AutoTokenizer
    
    EMBED_MODEL_ID = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
    
    tokenizer = HuggingFaceTokenizer(
        tokenizer=AutoTokenizer.from_pretrained(EMBED_MODEL_ID),
        max_tokens=512,      # match your embedding model's limit
    )
    chunker = HybridChunker(
        tokenizer=tokenizer,
        merge_peers=True,    # merge small neighbouring chunks under the same heading (default)
    )
    
    for chunk in chunker.chunk(dl_doc=doc):
        text_for_embedding = chunker.contextualize(chunk=chunk)  # prepends the heading path
        print(chunk.meta.headings, len(text_for_embedding))

    أنشئ التضمينات من مخرجات `contextualize()`، لا من `chunk.text`. ففي العقد تضيف هذه الدالة إلى بداية كل مقطع مسار عناوينه، بحيث يصل المقطع الذي لا يقول سوى «the Tenant shall pay within 30 days» إلى نموذج التضمين بوصفه جزءًا من «Article 5, Rent and Payment». واختر نموذج تضمين متعدد اللغات للعقود العربية؛ إذ إن نموذجًا إنجليزيًا فقط مثل all-MiniLM-L6-v2 يرمّز العربية ترميزًا رديئًا. وبالنسبة إلى النماذج على طريقة OpenAI، يغلّف `docling_core.transforms.chunker.tokenizer.openai.OpenAITokenizer` ترميز tiktoken بالطريقة نفسها.

    من أين يأتي كل مقطع؟

    يحمل كل مقطع `chunk.meta`، ويتضمن `headings` (مسار القسم)، و`doc_items` (الفقرات أو خلايا الجداول المصدر، ولكل منها رقم الصفحة والإطار المحيط في الحقل `prov`)، و`origin` (اسم الملف المصدر وبصمته). احتفظ بهذه البيانات. فالإجابة القانونية التي تستشهد بـ «الصفحة 3، جدول دفعات الإيجار» قابلة للتحقق، أما التي تستشهد بـ «المقطع 41» فليست كذلك.

    python
    for chunk in chunker.chunk(dl_doc=doc):
        pages = sorted({prov.page_no for item in chunk.meta.doc_items for prov in item.prov})
        print({
            "source": chunk.meta.origin.filename,
            "headings": chunk.meta.headings,
            "pages": pages,
            "text": chunker.contextualize(chunk=chunk)[:80],
        })

    كيف أعالج مجلدًا من العقود؟

    أنشئ المحوّل مرة واحدة وأعد استخدامه، لأن تحميل النماذج هو الجزء البطيء. وتقبل `convert_all` مجموعة قابلة للتكرار من المسارات، ومع `raises_on_error=False` تواصل العمل متجاوزةً الملف التالف وتُبلغ عن حالته.

    python
    from pathlib import Path
    from docling.datamodel.base_models import ConversionStatus
    
    files = sorted(Path("contracts/").glob("*.pdf"))
    for res in converter.convert_all(files, raises_on_error=False):
        name = res.input.file.name
        if res.status == ConversionStatus.SUCCESS:
            Path("out", name).with_suffix(".md").write_text(
                res.document.export_to_markdown(), encoding="utf-8"
            )
        else:
            print(f"{name}: {res.status}")

    بالنسبة إلى الملفات الطويلة، اضبط `pipeline_options.document_timeout` (يقترح التوثيق الداخلي لـ Docling من 90 إلى 120 ثانية) حتى لا تعطّل صورة ممسوحة رديئة دفعة كاملة، وأوقف الميزات التي لا تحتاج إليها: `do_table_structure=False` للمراسلات، و`do_ocr=False` لملفات Word الرقمية الأصل المحوّلة إلى PDF.

    ما تنسيقات التصدير التي تدعمها Docling؟

    من كائن `DoclingDocument` يمكنك استدعاء `export_to_markdown()` و`export_to_html()` و`export_to_text()` و`export_to_dict()` (JSON دون فقدان للبيانات، يمكنك إعادة تحميله لاحقًا دون إعادة التعرف الضوئي). احفظ ملف JSON لكل ما مرّ بالتعرف الضوئي: فإعادة التعرف الضوئي على صفحات كاملة لملف من 200 صفحة هي الخطوة المكلفة، ويحتفظ JSON بمعلومات المصدر الخاصة بالصفحة والإطار المحيط التي يُسقطها Markdown.

    Docling أم Unstructured: أيّهما أستخدم؟

    كلاهما مفتوح المصدر وكلاهما يعمل محليًا. تكمن نقاط قوة Docling في تحليل التخطيط، واستعادة بنية الجداول باستخدام TableFormer، ونموذج مستند موحّد محدد الأنواع مع معلومات المصدر على مستوى الصفحة، وأداة تقسيم تراعي البنية. أما Unstructured (Apache 2.0، دوال `partition()`) فتوفر مجموعة أوسع من موصلات المصدر والوجهة ومنصة تجارية مستضافة. وفي مسار معالجة العقود حيث تهم الجداول والإحالة إلى الصفحة، نبدأ بـ Docling؛ وإذا كانت مشكلتك سحب الملفات من أنظمة SaaS كثيرة، فقد توفر موصلات Unstructured وقتًا أكبر. جرّب الاثنتين على عشر من أسوأ صورك الممسوحة قبل أن تقرر، لأن النتائج على الصور الممسوحة العربية تتفاوت من ملف إلى آخر أكثر مما تتفاوت من مكتبة إلى أخرى.

    ما صلة ذلك بالمراجعة القانونية بالذكاء الاصطناعي؟

    التحليل هو الخطوة الأولى، وهو الذي يحدد مدى الجودة الممكنة لكل ما يليه. فالبند الذي شطره المحلّل نصفين لا يمكن مراجعته بوصفه بندًا، والجدول الذي سُطِّح إلى سطر من الأرقام لا يمكن التحقق منه صفًّا صفًّا. وتستقبل HAQQ ملفات العملاء في مساحات عمل خاصة بالأهداف نفسها (الحفاظ على البنية والجداول والإحالات إلى الصفحات) قبل تشغيل مراجعة العقود عليها، مع الاستضافة في الاتحاد الأوروبي أو الولايات المتحدة أو الشرق الأوسط، أو على بنيتك التحتية الخاصة.

    ما الخطوات التالية

    • ثبّت `docling==2.140.0` (أو أي إصدار تختبره) وسجّله إلى جانب مخرجاتك.
    • اختر ثلاثة ملفات تمثيلية: عقدًا رقمي الأصل، وعقدًا عربيًا ممسوحًا ضوئيًا، وعقدًا يتضمن جدولًا كثيفًا. حوّل كلًّا منها واقرأ ملف Markdown مقارنةً بالأصل.
    • اختر محرك التعرف الضوئي بحسب نوع المستند، لا على نحو شامل. ويُعد Tesseract مع `["ara", "eng"]` خيارًا افتراضيًا سليمًا للعقود المختلطة اللغة في منطقة الشرق الأوسط وشمال أفريقيا.
    • قسّم المستندات باستخدام أداة ترميز تتوافق مع نموذج التضمين لديك، واحتفظ بـ `chunk.meta` من أجل الاستشهادات.

    المصادر

    • Docling على PyPI (سجل الإصدارات)
    • docling-project/docling على GitHub
    • إصدارات Docling
    • توثيق Docling
    • مثال Docling على التعرف الضوئي على صفحات كاملة
    • مثال Docling على التقسيم الهجين
    • المسألة #3462: ملفات PDF المختلطة بالعربية والإنجليزية
    • طلب الدمج #3929: توحيد أشكال العرض العربية
    • بيانات اللغات في Tesseract (tessdata)

    قراءات ذات صلة

    • هندسة السياق لذكاء اصطناعي قانوني موثوق
    • المراجعة الجدولية للمستندات بالذكاء الاصطناعي القانوني
    • دليل الهندسة القانونية لسير العمل المدعوم بالذكاء الاصطناعي

    بقلم

    Jad Jabbour
    Jad Jabbour

    قائد التكنولوجيا والذكاء الاصطناعي

    يقود جاد التكنولوجيا والذكاء الاصطناعي في HAQQ. يكتب عن الهندسة التي تقوم عليها المنصة، مثل معالجة المستندات.

    جميع مقالات هذا الكاتبLinkedIn

    موارد ذات صلة

    What happens before a legal AI answers your questionTabular document review for legal AIContext engineering for reliable legal AIAI legal translation, Arabic to English

    مقالات ذات صلة

    الترجمة القانونية بالذكاء الاصطناعي من العربية إلى الإنجليزية: دليل عملي
    دليل

    الترجمة القانونية بالذكاء الاصطناعي من العربية إلى الإنجليزية

    الترجمة القانونية بالذكاء الاصطناعي من العربية إلى الإنجليزية: دليل عملي

    الذكاء الاصطناعي القانوني العربي: الفجوة في الاسترجاع لا في المحتوى
    الشرق الأوسط وشمال أفريقيا

    الذكاء الاصطناعي القانوني العربي

    الذكاء الاصطناعي القانوني العربي: الفجوة في الاسترجاع لا في المحتوى

    توقف عن كتابة [العميل]: كيف تُخفي هوية مستند قبل تسليمه للذكاء الاصطناعي
    دليل

    توقف عن كتابة [العميل]

    توقف عن كتابة [العميل]: كيف تُخفي هوية مستند قبل تسليمه للذكاء الاصطناعي

    الأسئلة الشائعة

    ما هي Docling في Python؟

    Docling مكتبة Python مفتوحة المصدر مرخّصة بموجب MIT، بدأت في IBM Research وتستضيفها الآن LF AI & Data، وتحوّل ملفات PDF وWord وPowerPoint وExcel وHTML والمستندات الممسوحة ضوئياً وصيغاً أخرى إلى Markdown أو HTML أو JSON دون فقدان، لخطوط معالجة الذكاء الاصطناعي وRAG. والإصدار الحالي حتى 20 أكتوبر 2026 هو 2.140.0.

    كيف أثبّت Docling؟

    شغّل 'pip install docling' على Python 3.10 أو أحدث. ويتضمن التثبيت الافتراضي RapidOCR. ولاستخدام EasyOCR استعمل 'pip install "docling[easyocr]"'؛ ولاستخدام Tesseract ثبّت حزمة النظام وبيانات اللغة الخاصة بها (للعربية ara.traineddata)، إضافةً إلى 'docling[tesserocr]' إذا أردت ربط Python بدلاً من واجهة سطر الأوامر (CLI).

    هل تجري Docling التعرف الضوئي على الحروف (OCR)؟

    نعم. التعرف الضوئي مفعّل افتراضياً (قيمة PdfPipelineOptions.do_ocr هي True) ويعمل على المناطق التي لا تحتوي طبقة نصية. والمحركات المدعومة هي RapidOCR وEasyOCR وTesseract (عبر CLI أو tesserocr) وmacOS Vision وNemotron OCR، ويُختار المحرك تلقائياً ما لم تضبط ocr_options. ولملف ممسوح بالكامل اضبط mode=OcrMode.FULL_PAGE؛ أما الخيار الأقدم force_full_page_ocr فقد أصبح مهملاً (deprecated).

    هل تستطيع Docling قراءة المستندات العربية الممسوحة ضوئياً؟

    نعم، باستخدام Tesseract (lang ["ara", "eng"]) أو EasyOCR (lang ["ar", "en"]) أو أداة التعرف على الخط العربي في RapidOCR. وراجع يدوياً الأسطر التي تمزج العربية والإنجليزية: فمشكلات ترتيب الكلمات في الأسطر المختلطة متابَعة في المسألة #3462 في Docling، وكان إصلاح أشكال العرض العربية (طلب الدمج #3929) لا يزال مفتوحاً في 20 أكتوبر 2026.

    Docling أم Unstructured: أيهما أفضل؟

    كلاهما مفتوح المصدر ويعمل محلياً. Docling أقوى في التخطيط وبنية الجداول (TableFormer) وتتبع المصدر على مستوى الصفحة والتقسيم المراعي للبنية، وهو ما يناسب العقود. أما Unstructured فلديها موصلات أكثر للمصادر والوجهات ومنصة مستضافة. جرّب الاثنتين على أصعب مستنداتك الممسوحة قبل الاختيار.

    كيف أضبط حجم المقاطع في HybridChunker من Docling؟

    غلّف أداة تقسيم الرموز (tokenizer) الخاصة بنموذج التضمين في HuggingFaceTokenizer (أو OpenAITokenizer) من docling_core مع ضبط max_tokens، ثم مرّرها بالشكل HybridChunker(tokenizer=...). ولا يزال تمرير max_tokens مباشرةً إلى HybridChunker يعمل لكنه يطلق DeprecationWarning. واحسب التضمين لناتج chunker.contextualize(chunk) حتى يحمل كل مقطع مسار عناوينه.

    ما التالي؟

    جرّب HAQQ AI مجاناً

    اختبر الصياغة والبحث القانوني بالذكاء الاصطناعي

    احسب عائد الاستثمار

    اكتشف كم من الوقت والمال يوفره HAQQ لمكتبك

    تصفح 600+ أمر قانوني

    أوامر جاهزة للاستخدام لكل مهمة قانونية

    العودة للمدونة

    المقال السابق

    مراجعة Legora 2026: الأسعار والبدائل وLegora ضد HAQQ

    المقال التالي

    التقنية القانونية في الشرق الأوسط: الدليل الميداني 2026

    في هذه الصفحة

    7 دقائق للقراءة

    1. 01حقائق أساسية
    2. 02فيمَ تُستخدم Docling؟
    3. 03ما تنسيقات الملفات التي تدعمها Docling؟
    4. 04هل تجري Docling التعرف الضوئي على الحروف؟
    5. 05كيف أجري التعرف الضوئي على عقد عربي ممسوح ضوئيًا يتضمن جداول؟
    6. ما الذي ينبغي التحقق منه في مخرجات عقد عربي
    7. 06كيف أقسّم المستندات باستخدام HybridChunker؟
    8. 07من أين يأتي كل مقطع؟
    9. 08كيف أعالج مجلدًا من العقود؟
    10. 09ما تنسيقات التصدير التي تدعمها Docling؟
    11. 10Docling أم Unstructured: أيّهما أستخدم؟
    12. 11ما صلة ذلك بالمراجعة القانونية بالذكاء الاصطناعي؟
    13. 12ما الخطوات التالية
    14. 13المصادر
    15. 14قراءات ذات صلة

    شارك هذا المقال

    ضع هذا موضع التنفيذ

    اسأل HAQQ السؤال الذي أثاره هذا المقال لديك.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    توأمك القانوني بالذكاء الاصطناعي ونظام إدارة المكتب للصياغة والفوترة والفوز.

    حمّل منApp Storeمتوفر علىGoogle Play

    الوثائق

    • الوثائق يفتح في علامة تبويب جديدة
    • البداية يفتح في علامة تبويب جديدة
    • غرفة الأخبار يفتح في علامة تبويب جديدة
    • تحديثات المنتج يفتح في علامة تبويب جديدة
    • الحالة يفتح في علامة تبويب جديدة
    • الثقة يفتح في علامة تبويب جديدة
    • الأمان
    • الأسئلة الشائعة يفتح في علامة تبويب جديدة
    • المجتمع يفتح في علامة تبويب جديدة
    • الدعم يفتح في علامة تبويب جديدة

    الأكاديمية

    • شريك يفتح في علامة تبويب جديدة
    • الدورة يفتح في علامة تبويب جديدة
    • الموجهات يفتح في علامة تبويب جديدة
    • المختبر يفتح في علامة تبويب جديدة

    الموقع الإلكتروني

    • eFirm
    • الدردشة القانونية بالذكاء الاصطناعي
    • تطبيق الهاتف
    • محرك جستنيان
    • HAQQ eBar
    • HAQQ eWallet
    • الأسعار
    • قارننا
    • الحلول
    • المدونة
    • تعرف على الفريق
    • انضم إلينا يفتح في علامة تبويب جديدة
    افتح التطبيق
    • اللغاتenarfresitdeptrohics
    • التواصلinfo@haqq.ai
    • الحالةيعمل·راسخ
    • شروط الخدمة
    • سياسة الخصوصية
    • سياسة ملفات تعريف الارتباط
    • معالجة البيانات
    • البشر يفتح في علامة تبويب جديدة
    • المحامون يفتح في علامة تبويب جديدة
    • الأمان يفتح في علامة تبويب جديدة
    © 2026 HAQQ Inc. جميع الحقوق محفوظة.المنتج مطوّر داخلياً بالكامل من قبل HAQQ. الموقع الإلكتروني مبني بأدوات ويب حديثة.
    PDF
    DOCX
    HTML
    PPTX

    Markdown

    Clean, structured text

    📄

    PDF

    Including OCR

    📝

    Word

    .docx files

    📊

    PowerPoint

    .pptx slides

    🌐

    HTML

    Web pages

    📃

    Markdown

    .md files

    🖼️

    Images

    OCR support

    ❌ Arbitrary Split

    Context lost between chunks

    ✓ HybridChunker

    Section 1128 tokens
    Section 2256 tokens
    Section 3192 tokens
    Section 4384 tokens

    Preserves semantic meaning

    Extracting...

    Extracted Metadata

    title:Legal Agreement 2024
    author:John Smith
    pages:12
    created:2024-01-15
    Input Folder
    contract.pdf
    memo.docx
    brief.pdf
    report.html

    4

    Files Processed

    ~2.3 seconds

    📝

    Markdown

    📄

    Plain Text

    { }

    JSON

    Export to the format that fits your workflow

    Document
    Docling
    Chunks
    AI Ready

    From raw document to AI-ready embeddings in seconds