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.
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())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.
| Engine | Optionsklasse | Installation | Code für Arabisch |
|---|---|---|---|
| RapidOCR | RapidOcrOptions | in pip install docling enthalten | Erkennung für arabische Schrift (eine Sprache pro Durchlauf) |
| EasyOCR | EasyOcrOptions | pip install "docling[easyocr]" | ar (kombinierbar mit en) |
| Tesseract CLI | TesseractCliOcrOptions | System-Tesseract plus ara.traineddata | ara (kombinieren als ["ara", "eng"]) |
| Tesseract (tesserocr) | TesseractOcrOptions | pip install "docling[tesserocr]" plus System-Tesseract | ara |
| macOS Vision | OcrMacOptions | pip install "docling[ocrmac]", nur macOS | abhängig von der macOS-Version |
| Auto | OcrAutoOptions | Standard | leitet 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.
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:
docling --ocr-engine tesseract --ocr-lang ara,eng --ocr-mode full_page --table-mode accurate lease_dubai_scanned.pdfWenn 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.
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.
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.
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)



![Schreiben Sie nicht mehr [MANDANT]: So anonymisieren Sie ein Dokument, bevor Sie es einer KI geben](/images/blog-covers/redaction-tools-for-lawyers.webp)