Skip to content
    HAQQ
    Einloggen
    Vertrieb kontaktieren
    HAQQ testen
    HAQQ testen
    1. Startseite
    2. Blog
    3. Docling Python: praktischer Leitfaden zur Dateiverarbeitung 2026
    Leitfäden & Anleitungen

    Docling Python: praktischer Leitfaden zur Dateiverarbeitung 2026

    Docling 2.140 installieren, PDFs und Scans in fünf Zeilen in Markdown umwandeln, einen gescannten arabischen Vertrag mit Tabellen per OCR lesen und für RAG chunken.

    Jad JabbourJad Jabbour|
    20. Mai 2026
    7 Min. Lesezeit
    Docling Python: praktischer Leitfaden zur Dateiverarbeitung 2026

    Kurz gesagt: Docling ist eine MIT-lizenzierte Python-Bibliothek, die bei IBM Research entstanden ist und heute von LF AI & Data betreut wird. Sie wandelt PDFs, Word-Dateien, Scans und über 30 weitere Formate in Markdown oder JSON für KI-Pipelines um. Version 2.140.0 (16. Oktober 2026) wird mit einem einzigen pip-Befehl installiert und konvertiert eine Datei in fünf Zeilen 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())

    Hinweis zur Version: Jedes Code-Beispiel in diesem Leitfaden wurde am 20. Oktober 2026 mit Docling 2.140.0 (PyPI, veröffentlicht am 16. Oktober 2026) und dem Repository docling-project/docling geprüft. Docling veröffentlicht alle paar Tage neue Versionen. Legen Sie die Version in der Produktion daher fest und prüfen Sie die Optionsnamen bei jedem Upgrade erneut.

    Die wichtigsten Fakten

    • Aktuelle Version: Docling 2.140.0, auf PyPI veröffentlicht am 16. Oktober 2026 (PyPI, abgerufen am 20. Okt. 2026).
    • Python: 3.10 oder neuer; die Unterstützung für 3.9 wurde mit 2.70.0 eingestellt (Docling-README, abgerufen am 20. Okt. 2026).
    • Lizenz und Heimat: MIT, Repository github.com/docling-project/docling, ein Projekt von LF AI & Data, rund 69.000 GitHub-Sterne (GitHub, 20. Okt. 2026).
    • OCR-Engines: eine automatische Auswahl (Standard), RapidOCR (standardmäßig installiert), EasyOCR, Tesseract (CLI oder tesserocr), macOS Vision, Nemotron OCR und eine entfernte KServe-Engine (pipeline_options.py, 2.140.0).
    • Arabisch: unterstützt über EasyOCR (`ar`), Tesseract (`ara`) und die Erkennung für arabische Schrift in RapidOCR; für gemischte arabisch-englische Seiten gibt es noch offene Issues, etwa #3462 und #3929 (GitHub, abgerufen am 20. Okt. 2026).
    • Formate: unter anderem PDF, DOCX, DOC, RTF, PPTX, XLSX, CSV, HTML, Markdown, AsciiDoc, LaTeX, EPUB, E-Mail (EML, MSG), ODF, Bilder, Audio und Video (InputFormat-Enum, 2.140.0).

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    Wofür wird Docling eingesetzt?

    Docling steht am Anfang einer Retrieval- oder Dokumentanalyse-Pipeline. Es liest eine Datei ein, führt Layouterkennung, Rekonstruktion der Lesereihenfolge, Wiederherstellung der Tabellenstruktur und, wo die Seite keine Textebene hat, OCR durch und liefert ein einzelnes `DoclingDocument`-Objekt zurück. Aus diesem Objekt exportieren Sie Markdown, HTML, reinen Text oder verlustfreies JSON, oder Sie übergeben es an einen Chunker, der Abschnitte für ein Embedding-Modell vorbereitet.

    Für die juristische Arbeit ist das relevant, weil Verträge voller Strukturen sind, die eine naive Textextraktion aus PDFs zerstört: nummerierte Klauseln, Anlagen, Zahlungstabellen, Unterschriftenblöcke und Seiten, die nur der Scan eines gestempelten Originals sind. Docling läuft lokal, sodass Mandantendokumente Ihre Infrastruktur für die Verarbeitung nie verlassen müssen.

    Welche Dateiformate unterstützt Docling?

    Version 2.140.0 akzeptiert PDF (mit Text und gescannt), Word (.docx, .doc), RTF, PowerPoint (.pptx, .ppt), Excel (.xlsx, .xls), CSV, HTML und MHTML, Markdown, AsciiDoc, LaTeX, EPUB, E-Mail-Dateien (.eml, .msg), OpenDocument (.odt, .ods, .odp), Apple Pages, Numbers und Keynote, Bilder (PNG, JPEG, TIFF und weitere), WebVTT sowie Audio und Video per Spracherkennung. `DocumentConverter` erkennt das Format selbst, Sie übergeben also nur einen Pfad oder eine URL.

    Beherrscht Docling OCR?

    Ja. `PdfPipelineOptions.do_ocr` ist standardmäßig `True`, und die Standardoption `OcrAutoOptions` wählt beim Start eine verfügbare Engine. Standardmäßig läuft OCR nur auf Bereichen ohne verwertbare Textebene (`OcrMode.DEFAULT`, derzeit gleichbedeutend mit `PDF_AWARE_LAYOUT_REGIONS`). Für eine vollständig gescannte Datei setzen Sie `mode=OcrMode.FULL_PAGE`. Das ältere Flag `force_full_page_ocr=True` funktioniert noch, ist aber veraltet.

    EngineOptionsklasseInstallationCode für Arabisch
    RapidOCRRapidOcrOptionsin pip install docling enthaltenErkennung für arabische Schrift (eine Sprache pro Durchlauf)
    EasyOCREasyOcrOptionspip install "docling[easyocr]"ar (kombinierbar mit en)
    Tesseract CLITesseractCliOcrOptionsSystem-Tesseract plus ara.traineddataara (kombinieren als ["ara", "eng"])
    Tesseract (tesserocr)TesseractOcrOptionspip install "docling[tesserocr]" plus System-Tesseractara
    macOS VisionOcrMacOptionspip install "docling[ocrmac]", nur macOSabhängig von der macOS-Version
    AutoOcrAutoOptionsStandardleitet iso:-Tags an die gewählte Engine weiter

    Sprachcodes werden so an die Engine übergeben, wie sie geschrieben sind (`ara` für Tesseract, `ar` für EasyOCR), oder als BCP-47-Tag hinter dem Präfix `iso:`, zum Beispiel `iso:ar`, das Docling auf den passenden Engine-Code abbildet. Eine Sprache, für die die Engine kein Modell hat, löst einen Fehler aus, statt stillschweigend auf eine andere auszuweichen. Genau das wollen Sie in einer juristischen Pipeline.

    Wie führe ich OCR für einen gescannten arabischen Vertrag mit Tabellen durch?

    Nehmen wir einen typischen Fall: ein gescannter, 14-seitiger Mietvertrag aus Dubai mit arabischem Fließtext und englischen definierten Begriffen, einem Mietzahlungsplan als Tabelle auf Seite 3 und einer gestempelten Unterschriftenseite. Es gibt keine Textebene, also läuft jede Seite durch OCR, und die Miettabelle braucht TableFormer im genauen Modus. Wir verwenden hier Tesseract, weil es Arabisch und Englisch auf derselben Seite in einem Durchgang verarbeitet.

    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())

    Installieren Sie zuerst Tesseract und die arabischen Sprachdaten (`apt install tesseract-ocr tesseract-ocr-ara` unter Debian oder Ubuntu, auf anderen Systemen die Datei `ara.traineddata` aus dem tessdata-Repository). Dieselbe Aufgabe über die Kommandozeile:

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

    Wenn Sie stattdessen EasyOCR verwenden möchten, installieren Sie `docling[easyocr]` und setzen `EasyOcrOptions(lang=["ar", "en"], mode=OcrMode.FULL_PAGE)` ein. EasyOCR nutzt eine GPU, sofern vorhanden, was bei umfangreichen Konvoluten hilft.

    Was Sie in der Ausgabe eines arabischen Vertrags prüfen sollten

    • Wortreihenfolge in gemischten Zeilen. Steht ein englischer definierter Begriff in einem arabischen Satz, kann die Reihenfolge der Textabschnitte vertauscht zurückkommen. Das wird in Issue #3462 (Mixed Arabic-English PDFs produce incorrect OCR/output text) verfolgt, das am 20. Okt. 2026 noch offen war.
    • Präsentationsformen in digital erstellten PDFs. Manche arabischen PDFs speichern Glyphen als Unicode-Präsentationsformen, was Suche und Embeddings beeinträchtigt. Eine Normalisierung wird in Pull Request #3929 vorgeschlagen, der noch offen ist; bis zum Merge wenden Sie `unicodedata.normalize("NFKC", text)` auf den exportierten Text an.
    • Tabellenzellen. Vergleichen Sie zwei oder drei Zeilen des Mietzahlungsplans per Augenschein mit dem Scan. Beträge in ostarabischen Ziffern (٠١٢٣) sollten so belassen werden, wie sie geschrieben sind, und erst in einem späteren, protokollierten Schritt umgewandelt werden.
    • Stempel und Unterschriften. Diese werden als Bilder erkannt. Sie sind kein Text, erwarten Sie den Stempelwortlaut also nicht im Markdown.

    Nichts davon ersetzt die Lektüre des Originals durch einen Anwalt. Es bringt Text, Klauselnummerierung und Tabellen in eine Form, mit der Prüfwerkzeuge arbeiten können, und zeigt Ihnen, welche Seiten einen zweiten menschlichen Blick brauchen.

    Wie zerlege ich Dokumente mit HybridChunker in Chunks?

    `HybridChunker` teilt entlang der eigenen Struktur des Dokuments (Abschnitte, Klauseln, Tabellenzeilen) und passt die Teile anschließend an ein Token-Budget an. In aktuellen Versionen liegt dieses Token-Budget bei einem Tokenizer-Wrapper aus `docling-core`, den Sie an den Chunker übergeben. Ältere Tutorials, einschließlich der ersten Fassung dieses Leitfadens, übergaben einen rohen `transformers`-Tokenizer und `max_tokens` direkt an `HybridChunker`. Das läuft noch, löst inzwischen aber eine `DeprecationWarning` aus. Verwenden Sie daher den Wrapper.

    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))

    Erzeugen Sie die Embeddings aus der Ausgabe von `contextualize()`, nicht aus `chunk.text`. Bei einem Vertrag stellt diese jedem Chunk seinen Überschriftenpfad voran, sodass ein Chunk, der nur "the Tenant shall pay within 30 days" sagt, beim Embedding-Modell als Teil von "Article 5, Rent and Payment" ankommt. Wählen Sie für arabische Verträge ein mehrsprachiges Embedding-Modell; ein rein englisches Modell wie all-MiniLM-L6-v2 tokenisiert Arabisch schlecht. Für Modelle im OpenAI-Stil kapselt `docling_core.transforms.chunker.tokenizer.openai.OpenAITokenizer` auf dieselbe Weise eine tiktoken-Kodierung.

    Woher stammt jeder Chunk?

    Jeder Chunk trägt `chunk.meta` mit `headings` (dem Abschnittspfad), `doc_items` (den zugrunde liegenden Absätzen oder Tabellenzellen, jeweils mit Seitenzahl und Begrenzungsrahmen im Feld `prov`) und `origin` (Dateiname und Hash der Quelldatei). Bewahren Sie diese Angaben auf. Eine juristische Antwort, die "Seite 3, Mietzahlungsplan" zitiert, ist überprüfbar; eine, die "Chunk 41" zitiert, nicht.

    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],
        })

    Wie verarbeite ich einen Ordner voller Verträge?

    Erstellen Sie den Konverter einmal und verwenden Sie ihn wieder, denn das Laden der Modelle ist der langsame Teil. `convert_all` nimmt ein Iterable von Pfaden entgegen und arbeitet mit `raises_on_error=False` über eine beschädigte Datei hinweg weiter und meldet deren Status.

    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}")

    Setzen Sie bei umfangreichen Konvoluten `pipeline_options.document_timeout` (der Docling-Docstring empfiehlt 90 bis 120 Sekunden), damit ein fehlerhafter Scan nicht einen ganzen Stapel aufhält, und schalten Sie Funktionen ab, die Sie nicht brauchen: `do_table_structure=False` bei Korrespondenz, `do_ocr=False` bei nativ erstellten Word-Exporten, die in PDF umgewandelt wurden.

    Welche Exportformate unterstützt Docling?

    Auf einem `DoclingDocument` können Sie `export_to_markdown()`, `export_to_html()`, `export_to_text()` und `export_to_dict()` aufrufen (verlustfreies JSON, das Sie später ohne erneutes OCR wieder laden können). Speichern Sie das JSON für alles, was durch OCR gelaufen ist: Ganzseiten-OCR auf einem 200-seitigen Konvolut erneut auszuführen ist der teure Schritt, und das JSON bewahrt die Herkunftsangaben zu Seite und Begrenzungsrahmen, die Markdown verwirft.

    Docling oder Unstructured: Was sollte ich verwenden?

    Beide sind Open Source und beide laufen lokal. Die Stärken von Docling sind Layoutanalyse, Wiederherstellung der Tabellenstruktur mit TableFormer, ein einheitliches, typisiertes Dokumentmodell mit Herkunftsangaben auf Seitenebene und ein strukturbewusster Chunker. Unstructured (Apache 2.0, `partition()`-Funktionen) bietet eine breitere Auswahl an Quell- und Zielkonnektoren sowie eine gehostete kommerzielle Plattform. Für eine Vertrags-Pipeline, in der Tabellen und Seitenzitate wichtig sind, beginnen wir mit Docling; wenn Ihr Problem darin besteht, Dateien aus vielen SaaS-Systemen zu holen, sparen die Konnektoren von Unstructured möglicherweise mehr Zeit. Testen Sie beide an zehn Ihrer schlechtesten Scans, bevor Sie sich entscheiden, denn die Ergebnisse bei arabischen Scans schwanken stärker von Datei zu Datei als von Bibliothek zu Bibliothek.

    Wie hängt das mit der KI-gestützten juristischen Prüfung zusammen?

    Das Parsing ist der erste Schritt und entscheidet darüber, wie gut alles Weitere werden kann. Eine Klausel, die der Parser in zwei Hälften geteilt hat, lässt sich nicht als Klausel prüfen, und eine Tabelle, die zu einer Zahlenreihe zusammengedrückt wurde, lässt sich nicht Zeile für Zeile kontrollieren. HAQQ übernimmt Mandantendateien mit denselben Zielen (Struktur, Tabellen und Seitenzitate bleiben erhalten) in private Arbeitsbereiche, bevor die Vertragsprüfung darauf läuft, mit Hosting in der EU, den USA oder dem Nahen Osten oder auf Ihrer eigenen Infrastruktur.

    Nächste Schritte

    • Legen Sie `docling==2.140.0` fest (oder die Version, die Sie testen) und vermerken Sie sie neben Ihren Ergebnissen.
    • Wählen Sie drei repräsentative Dateien: einen digital erstellten Vertrag, einen gescannten arabischen und einen mit einer dichten Tabelle. Konvertieren Sie jede Datei und lesen Sie das Markdown gegen das Original.
    • Wählen Sie die OCR-Engine je Dokumenttyp, nicht pauschal. Tesseract mit `["ara", "eng"]` ist ein solider Standard für gemischtsprachige Verträge aus der MENA-Region.
    • Zerlegen Sie mit einem Tokenizer, der zu Ihrem Embedding-Modell passt, und behalten Sie `chunk.meta` für Zitate.

    Quellen

    • Docling auf PyPI (Versionshistorie)
    • docling-project/docling auf GitHub
    • Docling-Releases
    • Docling-Dokumentation
    • Docling-Beispiel für Ganzseiten-OCR
    • Docling-Beispiel für hybrides Chunking
    • Issue #3462: gemischte arabisch-englische PDFs
    • Pull Request #3929: arabische Präsentationsformen normalisieren
    • Tesseract-Sprachdaten (tessdata)

    Weiterführende Artikel

    • Context Engineering für verlässliche juristische KI
    • tabellarische Dokumentprüfung für juristische KI
    • der Legal-Engineering-Leitfaden für KI-gestützte Workflows

    Verfasst von

    Jad Jabbour
    Jad Jabbour

    Tech-Leader & KI-Leitung

    Jad leitet Technologie und KI bei HAQQ. Er schreibt über die Technik hinter der Plattform, etwa die Verarbeitung von Dokumenten.

    Alle Artikel dieses AutorsLinkedIn

    Verwandte Ressourcen

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

    Verwandte Artikel

    KI-Rechtsübersetzung Arabisch-Englisch: Ein Praxisleitfaden
    Leitfaden

    KI-Rechtsübersetzung Arabisch-Englisch

    KI-Rechtsübersetzung Arabisch-Englisch: Ein Praxisleitfaden

    Arabische Rechts-KI: Die Lücke liegt im Retrieval, nicht im Inhalt
    MENA

    Arabische Rechts-KI

    Arabische Rechts-KI: Die Lücke liegt im Retrieval, nicht im Inhalt

    Schreiben Sie nicht mehr [MANDANT]: So anonymisieren Sie ein Dokument, bevor Sie es einer KI geben
    Leitfaden

    Schreiben Sie nicht mehr [MANDANT]

    Schreiben Sie nicht mehr [MANDANT]: So anonymisieren Sie ein Dokument, bevor Sie es einer KI geben

    Häufig gestellte Fragen

    Was ist Docling in Python?

    Docling ist eine MIT-lizenzierte Open-Source-Python-Bibliothek, entstanden bei IBM Research und heute bei LF AI & Data angesiedelt, die PDFs, Word, PowerPoint, Excel, HTML, Scans und andere Formate in Markdown, HTML oder verlustfreies JSON für KI- und RAG-Pipelines umwandelt. Die aktuelle Version Stand 20. Oktober 2026 ist 2.140.0.

    Wie installiere ich Docling?

    Führen Sie 'pip install docling' unter Python 3.10 oder neuer aus. Die Standardinstallation enthält RapidOCR. Für EasyOCR verwenden Sie 'pip install "docling[easyocr]"'; für Tesseract installieren Sie das Systempaket und seine Sprachdaten (für Arabisch ara.traineddata), dazu 'docling[tesserocr]', wenn Sie die Python-Anbindung statt der CLI möchten.

    Macht Docling OCR?

    Ja. OCR ist standardmäßig aktiviert (PdfPipelineOptions.do_ocr ist True) und läuft auf Bereichen ohne Textebene. Unterstützte Engines sind RapidOCR, EasyOCR, Tesseract (CLI oder tesserocr), macOS Vision und Nemotron OCR, die automatisch gewählt werden, sofern Sie keine ocr_options setzen. Für eine vollständig gescannte Datei setzen Sie mode=OcrMode.FULL_PAGE; das ältere Flag force_full_page_ocr ist veraltet.

    Kann Docling gescannte arabische Dokumente lesen?

    Ja, mit Tesseract (lang ["ara", "eng"]), EasyOCR (lang ["ar", "en"]) oder dem Erkenner für arabische Schrift von RapidOCR. Prüfen Sie gemischte arabisch-englische Zeilen von Hand: Probleme mit der Wortreihenfolge in gemischten Zeilen werden in Docling-Issue #3462 verfolgt, und ein Fix für arabische Präsentationsformen (Pull Request #3929) war am 20. Oktober 2026 noch offen.

    Docling oder Unstructured: Was ist besser?

    Beide sind Open Source und laufen lokal. Docling ist stärker bei Layout, Tabellenstruktur (TableFormer), Herkunftsangaben auf Seitenebene und strukturbewusstem Chunking, was zu Verträgen passt. Unstructured hat mehr Quell- und Ziel-Connectoren und eine gehostete Plattform. Testen Sie beide an Ihren schwierigsten Scans, bevor Sie sich entscheiden.

    Wie stelle ich die Chunk-Größe im HybridChunker von Docling ein?

    Kapseln Sie den Tokenizer Ihres Embedding-Modells in HuggingFaceTokenizer (oder OpenAITokenizer) aus docling_core mit gesetztem max_tokens und übergeben Sie ihn als HybridChunker(tokenizer=...). max_tokens direkt an HybridChunker zu übergeben funktioniert noch, löst aber eine DeprecationWarning aus. Betten Sie chunker.contextualize(chunk) ein, damit jeder Chunk seinen Überschriftenpfad trägt.

    Was kommt als Nächstes?

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    ROI berechnen

    Sehen Sie, wie viel Zeit und Geld HAQQ Ihrer Kanzlei spart

    600+ juristische Prompts durchsuchen

    Sofort einsatzbereite Prompts für jede juristische Aufgabe

    Zurück zum Blog

    Vorheriger Artikel

    Legora im Test 2026: Preise, Alternativen und Legora vs. HAQQ

    Nächster Artikel

    Legal Tech im Nahen Osten: Der Praxisführer 2026

    Auf dieser Seite

    7 Min. Lesezeit

    1. 01Die wichtigsten Fakten
    2. 02Wofür wird Docling eingesetzt?
    3. 03Welche Dateiformate unterstützt Docling?
    4. 04Beherrscht Docling OCR?
    5. 05Wie führe ich OCR für einen gescannten arabischen Vertrag mit Tabellen durch?
    6. Was Sie in der Ausgabe eines arabischen Vertrags prüfen sollten
    7. 06Wie zerlege ich Dokumente mit HybridChunker in Chunks?
    8. 07Woher stammt jeder Chunk?
    9. 08Wie verarbeite ich einen Ordner voller Verträge?
    10. 09Welche Exportformate unterstützt Docling?
    11. 10Docling oder Unstructured: Was sollte ich verwenden?
    12. 11Wie hängt das mit der KI-gestützten juristischen Prüfung zusammen?
    13. 12Nächste Schritte
    14. 13Quellen
    15. 14Weiterführende Artikel

    Diesen Artikel teilen

    Setzen Sie das ein

    Stellen Sie HAQQ die Frage, die dieser Artikel bei Ihnen aufgeworfen hat.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Ihr juristischer KI-Zwilling und Kanzleimanagement-System für Entwurf, Abrechnung und Gewinnen.

    Laden imApp StoreJetzt beiGoogle Play

    Dokumentationen

    • Docs wird in einem neuen Tab geöffnet
    • Erste Schritte wird in einem neuen Tab geöffnet
    • Newsroom wird in einem neuen Tab geöffnet
    • Produkt-Updates wird in einem neuen Tab geöffnet
    • Status wird in einem neuen Tab geöffnet
    • Vertrauen wird in einem neuen Tab geöffnet
    • Sicherheit
    • FAQ wird in einem neuen Tab geöffnet
    • Community wird in einem neuen Tab geöffnet
    • Support wird in einem neuen Tab geöffnet

    Academy

    • Partner wird in einem neuen Tab geöffnet
    • Kurs wird in einem neuen Tab geöffnet
    • Prompts wird in einem neuen Tab geöffnet
    • Labs wird in einem neuen Tab geöffnet

    Website

    • eFirm
    • Juristischer KI-Chat
    • Mobile App
    • Justinian KI-Engine
    • HAQQ eBar
    • HAQQ eWallet
    • Preise
    • Vergleichen Sie uns
    • Lösungen
    • Blog
    • Team kennenlernen
    • Mach mit wird in einem neuen Tab geöffnet
    App öffnen
    • Sprachenenarfresitdeptrohics
    • Kontaktinfo@haqq.ai
    • Statusbetriebsbereit·fundiert
    • Nutzungsbedingungen
    • Datenschutzrichtlinie
    • Cookie-Richtlinie
    • Datenverarbeitung
    • Menschen wird in einem neuen Tab geöffnet
    • Anwälte wird in einem neuen Tab geöffnet
    • Sicherheit wird in einem neuen Tab geöffnet
    © 2026 HAQQ Inc. Alle Rechte vorbehalten.Produkt intern von HAQQ entwickelt. Website mit modernen Web-Tools gebaut.
    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