En resumen: Docling es una biblioteca de Python con licencia MIT, iniciada en IBM Research y alojada hoy por LF AI & Data, que convierte PDF, archivos de Word, documentos escaneados y más de 30 formatos adicionales a Markdown o JSON para pipelines de IA. La versión 2.140.0 (16 de octubre de 2026) se instala con un solo comando pip y convierte un archivo en cinco líneas de 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())Nota de versión: cada fragmento de esta guía se comprobó con Docling 2.140.0 (PyPI, publicada el 16 de octubre de 2026) y con el repositorio docling-project/docling el 20 de octubre de 2026. Docling publica versiones cada pocos días, así que fije la versión en producción y vuelva a comprobar los nombres de las opciones al actualizar.
Datos clave
- Última versión: Docling 2.140.0, publicada en PyPI el 16 de octubre de 2026 (PyPI, consultado el 20 oct. 2026).
- Python: 3.10 o posterior; el soporte para 3.9 se retiró en la versión 2.70.0 (README de Docling, consultado el 20 oct. 2026).
- Licencia y sede: MIT, repositorio github.com/docling-project/docling, un proyecto de LF AI & Data, con unas 69.000 estrellas en GitHub (GitHub, 20 oct. 2026).
- Motores de OCR: un selector automático (el predeterminado), RapidOCR (instalado por defecto), EasyOCR, Tesseract (CLI o tesserocr), macOS Vision, Nemotron OCR y un motor remoto KServe (pipeline_options.py, 2.140.0).
- Árabe: compatible a través de EasyOCR (`ar`), Tesseract (`ara`) y el reconocedor de escritura árabe de RapidOCR; las páginas que mezclan árabe e inglés todavía tienen incidencias abiertas, por ejemplo #3462 y #3929 (GitHub, consultado el 20 oct. 2026).
- Formatos: PDF, DOCX, DOC, RTF, PPTX, XLSX, CSV, HTML, Markdown, AsciiDoc, LaTeX, EPUB, correo electrónico (EML, MSG), ODF, imágenes, audio y vídeo, entre otros (enumeración InputFormat, 2.140.0).
Prueba HAQQ AI gratis
Experimenta la redacción e investigación legal con IA
¿Para qué sirve Docling?
Docling se sitúa al principio de un pipeline de recuperación (retrieval) o de análisis de documentos. Lee un archivo, ejecuta la detección de diseño, la reconstrucción del orden de lectura, la recuperación de la estructura de las tablas y el OCR cuando la página no tiene capa de texto, y devuelve un único objeto `DoclingDocument`. A partir de ese objeto se exporta Markdown, HTML, texto plano o JSON sin pérdidas, o se entrega a un chunker que prepara fragmentos para un modelo de embeddings.
Nos interesa para el trabajo jurídico porque los contratos están llenos de las estructuras que la extracción ingenua de texto de un PDF destruye: cláusulas numeradas, anexos, tablas de pagos, bloques de firma y páginas que no son más que el escaneo de un original sellado. Docling se ejecuta en local, de modo que los documentos de los clientes nunca tienen que salir de su infraestructura para ser procesados.
¿Qué formatos de archivo admite Docling?
La versión 2.140.0 acepta PDF (con texto y escaneados), Word (.docx, .doc), RTF, PowerPoint (.pptx, .ppt), Excel (.xlsx, .xls), CSV, HTML y MHTML, Markdown, AsciiDoc, LaTeX, EPUB, archivos de correo electrónico (.eml, .msg), OpenDocument (.odt, .ods, .odp), Apple Pages, Numbers y Keynote, imágenes (PNG, JPEG, TIFF y otras), WebVTT, y audio y vídeo mediante reconocimiento de voz. `DocumentConverter` detecta el formato por sí mismo, así que basta con pasarle una ruta o una URL.
¿Docling hace OCR?
Sí. `PdfPipelineOptions.do_ocr` es `True` por defecto, y la opción predeterminada `OcrAutoOptions` elige un motor disponible al arrancar. Por defecto, el OCR solo se ejecuta en las regiones sin una capa de texto utilizable (`OcrMode.DEFAULT`, que actualmente equivale a `PDF_AWARE_LAYOUT_REGIONS`). Para un archivo totalmente escaneado, establezca `mode=OcrMode.FULL_PAGE`. El antiguo indicador `force_full_page_ocr=True` sigue funcionando, pero está obsoleto.
| Motor | Clase de opciones | Instalación | Código del árabe |
|---|---|---|---|
| RapidOCR | RapidOcrOptions | incluido en pip install docling | reconocedor de escritura árabe (un idioma por ejecución) |
| EasyOCR | EasyOcrOptions | pip install "docling[easyocr]" | ar (se puede combinar con en) |
| Tesseract CLI | TesseractCliOcrOptions | Tesseract del sistema más ara.traineddata | ara (combinar como ["ara", "eng"]) |
| Tesseract (tesserocr) | TesseractOcrOptions | pip install "docling[tesserocr]" más Tesseract del sistema | ara |
| macOS Vision | OcrMacOptions | pip install "docling[ocrmac]", solo en macOS | depende de la versión de macOS |
| Auto | OcrAutoOptions | predeterminado | reenvía las etiquetas iso: al motor elegido |
Los códigos de idioma se pasan al motor tal cual (`ara` para Tesseract, `ar` para EasyOCR), o como etiqueta BCP-47 detrás del prefijo `iso:`, por ejemplo `iso:ar`, que Docling traduce al código correcto del motor. Un idioma para el que el motor no tiene modelo provoca un error en lugar de recurrir en silencio a otro, que es justo lo que conviene en un pipeline jurídico.
¿Cómo hacer OCR de un contrato escaneado en árabe con tablas?
Tomemos un caso típico: un contrato de arrendamiento de Dubái escaneado de 14 páginas, con el cuerpo en árabe y términos definidos en inglés, un calendario de rentas en forma de tabla en la página 3 y una página de firmas sellada. No hay capa de texto, así que cada página pasa por OCR, y la tabla de rentas necesita TableFormer en modo preciso. Aquí usamos Tesseract porque procesa árabe e inglés en la misma página en una sola pasada.
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())Instale primero Tesseract y sus datos de árabe (`apt install tesseract-ocr tesseract-ocr-ara` en Debian o Ubuntu, o el archivo `ara.traineddata` del repositorio tessdata en otros sistemas). La misma tarea desde la línea de comandos:
docling --ocr-engine tesseract --ocr-lang ara,eng --ocr-mode full_page --table-mode accurate lease_dubai_scanned.pdfPara usar EasyOCR en su lugar, instale `docling[easyocr]` y sustitúyalo por `EasyOcrOptions(lang=["ar", "en"], mode=OcrMode.FULL_PAGE)`. EasyOCR usa una GPU cuando hay una disponible, lo que ayuda con expedientes largos.
Qué revisar en el resultado de un contrato en árabe
- El orden de las palabras en las líneas mixtas. Cuando un término definido en inglés aparece dentro de una frase en árabe, el orden de los segmentos puede salir invertido. Se sigue en la incidencia #3462 (Mixed Arabic-English PDFs produce incorrect OCR/output text), abierta a 20 oct. 2026.
- Las formas de presentación en PDF digitales. Algunos PDF en árabe almacenan los glifos como formas de presentación Unicode, lo que estropea la búsqueda y los embeddings. Hay una corrección de normalización propuesta en la pull request #3929, todavía abierta; hasta que se fusione, ejecute `unicodedata.normalize("NFKC", text)` sobre el texto exportado.
- Las celdas de las tablas. Compare a simple vista dos o tres filas del calendario de rentas con el escaneo. Los importes en numerales arábigos orientales (٠١٢٣) deben conservarse tal como están escritos y convertirse solo en un paso posterior registrado.
- Sellos y firmas. Se detectan como imágenes. No son texto, así que no espere encontrar el texto del sello en el Markdown.
Nada de esto sustituye a que un abogado lea el original. Lo que hace es dejar el texto, la numeración de las cláusulas y las tablas en una forma con la que las herramientas de revisión pueden trabajar, e indicarle qué páginas necesitan una segunda mirada humana.
¿Cómo fragmentar documentos con HybridChunker?
`HybridChunker` divide según la propia estructura del documento (secciones, cláusulas, filas de tabla) y después ajusta los fragmentos a un presupuesto de tokens. En las versiones actuales, ese presupuesto reside en un wrapper de tokenizer de `docling-core`, que se pasa al chunker. Los tutoriales antiguos, incluida la primera versión de este, pasaban un tokenizer de `transformers` sin envolver y `max_tokens` directamente a `HybridChunker`. Eso sigue funcionando, pero ahora genera un `DeprecationWarning`, así que use el 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))Genere los embeddings a partir de la salida de `contextualize()`, no de `chunk.text`. En un contrato, antepone a cada fragmento su ruta de encabezados, de modo que un fragmento que solo dice "the Tenant shall pay within 30 days" llega al modelo de embeddings como parte de "Article 5, Rent and Payment". Elija un modelo de embeddings multilingüe para contratos en árabe; un modelo solo en inglés como all-MiniLM-L6-v2 tokenizará mal el árabe. Para modelos de tipo OpenAI, `docling_core.transforms.chunker.tokenizer.openai.OpenAITokenizer` envuelve una codificación de tiktoken de la misma manera.
¿De dónde procede cada fragmento?
Cada fragmento lleva `chunk.meta`, con `headings` (la ruta de secciones), `doc_items` (los párrafos o celdas de tabla de origen, cada uno con su número de página y su cuadro delimitador en el campo `prov`) y `origin` (el nombre y el hash del archivo de origen). Consérvelos. Una respuesta jurídica que cita "página 3, calendario de rentas" es verificable; una que cita "fragmento 41" no lo es.
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],
})¿Cómo procesar una carpeta de contratos?
Cree el conversor una sola vez y reutilícelo, porque la carga de los modelos es la parte lenta. `convert_all` recibe un iterable de rutas y, con `raises_on_error=False`, sigue adelante tras un archivo dañado e informa de su estado.
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}")Para expedientes largos, establezca `pipeline_options.document_timeout` (la docstring de Docling sugiere entre 90 y 120 segundos) para que un escaneo defectuoso no pueda paralizar un lote, y desactive las funciones que no necesite: `do_table_structure=False` en la correspondencia, `do_ocr=False` en exportaciones nativas de Word convertidas a PDF.
¿Qué formatos de exportación admite Docling?
Desde un `DoclingDocument` puede llamar a `export_to_markdown()`, `export_to_html()`, `export_to_text()` y `export_to_dict()` (JSON sin pérdidas, que puede volver a cargar más tarde sin repetir el OCR). Guarde el JSON de todo lo que haya pasado por OCR: repetir el OCR de página completa en un expediente de 200 páginas es el paso costoso, y el JSON conserva la procedencia por página y cuadro delimitador que el Markdown descarta.
Docling frente a Unstructured: ¿cuál usar?
Ambos son de código abierto y ambos se ejecutan en local. Los puntos fuertes de Docling son el análisis de diseño, la recuperación de la estructura de las tablas con TableFormer, un modelo de documento único y tipado con procedencia a nivel de página, y un chunker que respeta la estructura. Unstructured (Apache 2.0, funciones `partition()`) ofrece un conjunto más amplio de conectores de origen y destino y una plataforma comercial alojada. Para un pipeline de contratos donde importan las tablas y las citas de página, empezamos con Docling; si su problema es extraer archivos de muchos sistemas SaaS, los conectores de Unstructured pueden ahorrarle más tiempo. Pruebe ambos con diez de sus peores escaneos antes de decidir, porque los resultados con escaneos en árabe varían más según el archivo que según la biblioteca.
¿Cómo se conecta esto con la revisión jurídica con IA?
El análisis de los archivos es el primer paso, y el que determina hasta dónde puede llegar todo lo que viene después. Una cláusula que el analizador partió en dos no puede revisarse como cláusula, y una tabla aplanada en una línea de cifras no puede comprobarse fila por fila. HAQQ incorpora los archivos de los clientes a espacios de trabajo privados con los mismos objetivos (estructura, tablas y citas de página intactas) antes de que se ejecute sobre ellos la revisión de contratos, con alojamiento en la UE, EE. UU. u Oriente Medio, o en su propia infraestructura.
Próximos pasos
- Fije `docling==2.140.0` (o la versión que pruebe) y regístrela junto a sus resultados.
- Elija tres archivos representativos: un contrato nativo digital, uno en árabe escaneado y otro con una tabla densa. Convierta cada uno y lea el Markdown cotejándolo con el original.
- Elija el motor de OCR por tipo de documento, no de forma global. Tesseract con `["ara", "eng"]` es una opción predeterminada sólida para contratos mixtos de la región MENA.
- Fragmente con un tokenizer que coincida con su modelo de embeddings y conserve `chunk.meta` para las citas.
Fuentes
- Docling en PyPI (historial de versiones)
- docling-project/docling en GitHub
- Versiones de Docling
- Documentación de Docling
- Ejemplo de Docling de OCR de página completa
- Ejemplo de Docling de fragmentación híbrida
- Incidencia #3462: PDF mixtos árabe-inglés
- Pull request #3929: normalizar las formas de presentación árabes
- Datos de idioma de Tesseract (tessdata)



![Deja de escribir [CLIENTE]: cómo anonimizar un documento antes de dárselo a una IA](/images/blog-covers/redaction-tools-for-lawyers.webp)