Skip to content
    HAQQ
    Iniciar sesión
    Contactar con ventas
    Prueba HAQQ
    Prueba HAQQ
    1. Inicio
    2. Blog
    3. Docling Python: guía práctica para procesar archivos en 2026
    Guías y Tutoriales

    Docling Python: guía práctica para procesar archivos en 2026

    Instala Docling 2.140, convierte PDF y escaneos a Markdown en cinco líneas, aplica OCR a un contrato árabe escaneado con tablas y divídelo en chunks para RAG.

    Jad JabbourJad Jabbour|
    20 de mayo de 2026
    8 min de lectura
    Docling Python: guía práctica para procesar archivos en 2026

    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.

    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())

    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.

    MotorClase de opcionesInstalaciónCódigo del árabe
    RapidOCRRapidOcrOptionsincluido en pip install doclingreconocedor de escritura árabe (un idioma por ejecución)
    EasyOCREasyOcrOptionspip install "docling[easyocr]"ar (se puede combinar con en)
    Tesseract CLITesseractCliOcrOptionsTesseract del sistema más ara.traineddataara (combinar como ["ara", "eng"])
    Tesseract (tesserocr)TesseractOcrOptionspip install "docling[tesserocr]" más Tesseract del sistemaara
    macOS VisionOcrMacOptionspip install "docling[ocrmac]", solo en macOSdepende de la versión de macOS
    AutoOcrAutoOptionspredeterminadoreenvía 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.

    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())

    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:

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

    Para 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.

    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))

    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.

    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],
        })

    ¿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.

    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}")

    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)

    Lecturas relacionadas

    • ingeniería de contexto para una IA jurídica fiable
    • revisión tabular de documentos para IA jurídica
    • la guía de ingeniería jurídica para flujos de trabajo impulsados por IA

    Escrito por

    Jad Jabbour
    Jad Jabbour

    Líder Tech y de IA

    Jad dirige la tecnología y la IA en HAQQ. Escribe sobre la ingeniería de la plataforma, como el procesamiento de documentos.

    Todos los artículos de este autorLinkedIn

    Recursos relacionados

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

    Artículos relacionados

    Traducción jurídica con IA del árabe al inglés: guía práctica
    Guía

    Traducción jurídica con IA del árabe al inglés

    Traducción jurídica con IA del árabe al inglés: guía práctica

    IA legal en árabe: la brecha está en el retrieval, no en el contenido
    MENA

    IA legal en árabe

    IA legal en árabe: la brecha está en el retrieval, no en el contenido

    Deja de escribir [CLIENTE]: cómo anonimizar un documento antes de dárselo a una IA
    Guía

    Deja de escribir [CLIENTE]

    Deja de escribir [CLIENTE]: cómo anonimizar un documento antes de dárselo a una IA

    Preguntas frecuentes

    ¿Qué es Docling en Python?

    Docling es una biblioteca de Python de código abierto con licencia MIT, iniciada en IBM Research y alojada ahora por LF AI & Data, que convierte PDF, Word, PowerPoint, Excel, HTML, escaneos y otros formatos en Markdown, HTML o JSON sin pérdidas para canalizaciones de IA y RAG. La versión actual a 20 de octubre de 2026 es la 2.140.0.

    ¿Cómo se instala Docling?

    Ejecute 'pip install docling' con Python 3.10 o posterior. La instalación por defecto incluye RapidOCR. Para EasyOCR use 'pip install "docling[easyocr]"'; para Tesseract instale el paquete del sistema y sus datos de idioma (para el árabe, ara.traineddata), más 'docling[tesserocr]' si quiere el binding de Python en lugar de la CLI.

    ¿Docling hace OCR?

    Sí. El OCR está activado por defecto (PdfPipelineOptions.do_ocr es True) y se ejecuta en las regiones sin capa de texto. Los motores admitidos son RapidOCR, EasyOCR, Tesseract (CLI o tesserocr), macOS Vision y Nemotron OCR, que se eligen automáticamente salvo que configure ocr_options. Para un archivo totalmente escaneado, configure mode=OcrMode.FULL_PAGE; el antiguo indicador force_full_page_ocr está obsoleto.

    ¿Puede Docling leer documentos escaneados en árabe?

    Sí, con Tesseract (lang ["ara", "eng"]), EasyOCR (lang ["ar", "en"]) o el reconocedor de escritura árabe de RapidOCR. Revise a mano las líneas que mezclan árabe e inglés: los problemas de orden de palabras en líneas mixtas se siguen en la incidencia #3462 de Docling, y una corrección de las formas de presentación árabes (pull request #3929) seguía abierta el 20 de octubre de 2026.

    Docling o Unstructured: ¿cuál es mejor?

    Ambos son de código abierto y se ejecutan en local. Docling es más fuerte en maquetación, estructura de tablas (TableFormer), trazabilidad a nivel de página y fragmentación consciente de la estructura, lo que encaja con los contratos. Unstructured tiene más conectores de origen y destino y una plataforma alojada. Pruebe ambos con sus escaneos más difíciles antes de elegir.

    ¿Cómo se configura el tamaño de fragmento en el HybridChunker de Docling?

    Envuelva el tokenizador de su modelo de embeddings en HuggingFaceTokenizer (u OpenAITokenizer) de docling_core con max_tokens configurado y páselo como HybridChunker(tokenizer=...). Pasar max_tokens directamente a HybridChunker sigue funcionando, pero genera un DeprecationWarning. Genere el embedding de chunker.contextualize(chunk) para que cada fragmento lleve su ruta de encabezados.

    ¿Qué sigue?

    Prueba HAQQ AI gratis

    Experimenta la redacción e investigación legal con IA

    Calcula tu ROI

    Descubre cuánto tiempo y dinero HAQQ ahorra a tu bufete

    Explora Prompts legales

    Prompts listos para cada tarea legal

    Volver al Blog

    Artículo anterior

    Análisis de Legora 2026: precios, alternativas y Legora vs HAQQ

    Artículo siguiente

    Legal tech en Oriente Medio: la guía de campo 2026

    En esta página

    8 min de lectura

    1. 01Datos clave
    2. 02¿Para qué sirve Docling?
    3. 03¿Qué formatos de archivo admite Docling?
    4. 04¿Docling hace OCR?
    5. 05¿Cómo hacer OCR de un contrato escaneado en árabe con tablas?
    6. Qué revisar en el resultado de un contrato en árabe
    7. 06¿Cómo fragmentar documentos con HybridChunker?
    8. 07¿De dónde procede cada fragmento?
    9. 08¿Cómo procesar una carpeta de contratos?
    10. 09¿Qué formatos de exportación admite Docling?
    11. 10Docling frente a Unstructured: ¿cuál usar?
    12. 11¿Cómo se conecta esto con la revisión jurídica con IA?
    13. 12Próximos pasos
    14. 13Fuentes
    15. 14Lecturas relacionadas

    Comparte este artículo

    Ponlo en práctica

    Hazle a HAQQ la pregunta que te dejó este artículo.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Tu Gemelo Legal de IA y Sistema de Gestión de Práctica para redacción, facturación y éxito.

    Disponible enApp StoreDisponible enGoogle Play

    Documentaciones

    • Docs se abre en una pestaña nueva
    • Primeros pasos se abre en una pestaña nueva
    • Sala de prensa se abre en una pestaña nueva
    • Novedades del producto se abre en una pestaña nueva
    • Estado se abre en una pestaña nueva
    • Confianza se abre en una pestaña nueva
    • Seguridad
    • FAQ se abre en una pestaña nueva
    • Comunidad se abre en una pestaña nueva
    • Soporte se abre en una pestaña nueva

    Academy

    • Socio se abre en una pestaña nueva
    • Curso se abre en una pestaña nueva
    • Prompts se abre en una pestaña nueva
    • Labs se abre en una pestaña nueva

    Sitio web

    • eFirm
    • Chat IA Legal
    • Aplicación Móvil
    • Motor Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Precios
    • Compáranos
    • Soluciones
    • Blog
    • Conocer equipo
    • Únete a nosotros se abre en una pestaña nueva
    Abrir la app
    • Idiomasenarfresitdeptrohics
    • Contactoinfo@haqq.ai
    • Estadooperativo·fundamentado
    • Términos de Servicio
    • Política de Privacidad
    • Política de Cookies
    • Procesamiento de Datos
    • Humanos se abre en una pestaña nueva
    • Abogados se abre en una pestaña nueva
    • Seguridad se abre en una pestaña nueva
    © 2026 HAQQ Inc. Todos los derechos reservados.Producto desarrollado internamente por HAQQ. Sitio web construido con herramientas web modernas.
    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