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.
pip install doclingfrom 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.
| المحرك | فئة الخيارات | التثبيت | رمز العربية |
|---|---|---|---|
| RapidOCR | RapidOcrOptions | مُضمَّن في pip install docling | مُعرِّف الخط العربي (لغة واحدة في كل تشغيل) |
| EasyOCR | EasyOcrOptions | pip install "docling[easyocr]" | ar (يمكن دمجه مع en) |
| Tesseract CLI | TesseractCliOcrOptions | Tesseract على مستوى النظام إضافة إلى ara.traineddata | ara (يُدمج بصيغة ["ara", "eng"]) |
| Tesseract (tesserocr) | TesseractOcrOptions | pip install "docling[tesserocr]" إضافة إلى Tesseract على مستوى النظام | ara |
| macOS Vision | OcrMacOptions | pip install "docling[ocrmac]"، على macOS فقط | يتوقف على إصدار macOS |
| Auto | OcrAutoOptions | افتراضي | يمرّر 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.
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:
docling --ocr-engine tesseract --ocr-lang ara,eng --ocr-mode full_page --table-mode accurate lease_dubai_scanned.pdfلاستخدام 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.
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.
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.
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)



![توقف عن كتابة [العميل]: كيف تُخفي هوية مستند قبل تسليمه للذكاء الاصطناعي](/images/blog-covers/redaction-tools-for-lawyers-rtl.webp)