En bref : Docling est une bibliothèque Python sous licence MIT, lancée par IBM Research et désormais hébergée par LF AI & Data, qui convertit les PDF, les fichiers Word, les numérisations et plus de 30 autres formats en Markdown ou en JSON pour les pipelines d'IA. La version 2.140.0 (16 octobre 2026) s'installe avec une seule commande pip et convertit un fichier en cinq lignes 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())Note de version : chaque extrait de ce guide a été vérifié avec Docling 2.140.0 (PyPI, publiée le 16 octobre 2026) et le dépôt docling-project/docling le 20 octobre 2026. Docling publie une nouvelle version tous les quelques jours : figez la version en production et revérifiez le nom des options à chaque mise à jour.
Points clés
- Dernière version : Docling 2.140.0, publiée sur PyPI le 16 octobre 2026 (PyPI, consulté le 20 oct. 2026).
- Python : 3.10 ou plus récent ; la prise en charge de 3.9 a été abandonnée dans la version 2.70.0 (README de Docling, consulté le 20 oct. 2026).
- Licence et hébergement : MIT, dépôt github.com/docling-project/docling, un projet de LF AI & Data, environ 69 000 étoiles sur GitHub (GitHub, 20 oct. 2026).
- Moteurs OCR : un sélecteur automatique (par défaut), RapidOCR (installé par défaut), EasyOCR, Tesseract (CLI ou tesserocr), macOS Vision, Nemotron OCR et un moteur distant KServe (pipeline_options.py, 2.140.0).
- Arabe : pris en charge via EasyOCR (`ar`), Tesseract (`ara`) et le module de reconnaissance de l'écriture arabe de RapidOCR ; les pages mêlant arabe et anglais font encore l'objet de tickets ouverts, par exemple #3462 et #3929 (GitHub, consulté le 20 oct. 2026).
- Formats : PDF, DOCX, DOC, RTF, PPTX, XLSX, CSV, HTML, Markdown, AsciiDoc, LaTeX, EPUB, e-mails (EML, MSG), ODF, images, audio et vidéo, entre autres (énumération InputFormat, 2.140.0).
Essayer HAQQ AI gratuitement
Découvrez la rédaction et la recherche juridique par IA
À quoi sert Docling ?
Docling se place en tête d'un pipeline de recherche documentaire (retrieval) ou d'analyse de documents. Il lit un fichier, effectue la détection de mise en page, la reconstruction de l'ordre de lecture, la récupération de la structure des tableaux et l'OCR lorsque la page n'a pas de couche texte, puis renvoie un unique objet `DoclingDocument`. À partir de cet objet, vous exportez du Markdown, du HTML, du texte brut ou du JSON sans perte, ou vous le transmettez à un chunker qui prépare des fragments pour un modèle d'embedding.
Il nous intéresse pour le travail juridique parce que les contrats regorgent des structures que l'extraction naïve de texte PDF détruit : clauses numérotées, annexes, tableaux de paiement, blocs de signature et pages qui ne sont que la numérisation d'un original tamponné. Docling s'exécute en local, de sorte que les documents des clients n'ont jamais à quitter votre infrastructure pour être analysés.
Quels formats de fichier Docling prend-il en charge ?
La version 2.140.0 accepte les PDF (texte et numérisés), Word (.docx, .doc), RTF, PowerPoint (.pptx, .ppt), Excel (.xlsx, .xls), CSV, HTML et MHTML, Markdown, AsciiDoc, LaTeX, EPUB, les fichiers e-mail (.eml, .msg), OpenDocument (.odt, .ods, .odp), Apple Pages, Numbers et Keynote, les images (PNG, JPEG, TIFF et autres), WebVTT, ainsi que l'audio et la vidéo via la reconnaissance vocale. `DocumentConverter` détecte lui-même le format : vous lui passez un chemin ou une URL, rien de plus.
Docling fait-il de l'OCR ?
Oui. `PdfPipelineOptions.do_ocr` vaut `True` par défaut, et l'option par défaut `OcrAutoOptions` choisit un moteur disponible au démarrage. Par défaut, l'OCR ne s'exécute que sur les zones dépourvues de couche texte exploitable (`OcrMode.DEFAULT`, qui correspond actuellement à `PDF_AWARE_LAYOUT_REGIONS`). Pour un fichier entièrement numérisé, définissez `mode=OcrMode.FULL_PAGE`. L'ancien drapeau `force_full_page_ocr=True` fonctionne toujours mais est obsolète.
| Moteur | Classe d'options | Installation | Code de l'arabe |
|---|---|---|---|
| RapidOCR | RapidOcrOptions | inclus dans pip install docling | module de reconnaissance de l'écriture arabe (une langue par exécution) |
| EasyOCR | EasyOcrOptions | pip install "docling[easyocr]" | ar (combinable avec en) |
| Tesseract CLI | TesseractCliOcrOptions | Tesseract système plus ara.traineddata | ara (combiner sous la forme ["ara", "eng"]) |
| Tesseract (tesserocr) | TesseractOcrOptions | pip install "docling[tesserocr]" plus Tesseract système | ara |
| macOS Vision | OcrMacOptions | pip install "docling[ocrmac]", macOS uniquement | dépend de la version de macOS |
| Auto | OcrAutoOptions | par défaut | transmet les balises iso: au moteur choisi |
Les codes de langue sont transmis au moteur tels quels (`ara` pour Tesseract, `ar` pour EasyOCR), ou sous forme de balise BCP-47 précédée du préfixe `iso:`, par exemple `iso:ar`, que Docling convertit dans le code propre au moteur. Une langue pour laquelle le moteur n'a pas de modèle déclenche une erreur au lieu d'un repli silencieux, ce qui est précisément ce que l'on attend d'un pipeline juridique.
Comment faire l'OCR d'un contrat arabe numérisé contenant des tableaux ?
Prenons un cas typique : un bail de Dubaï numérisé de 14 pages, avec un corps de texte en arabe et des termes définis en anglais, un échéancier des loyers sous forme de tableau en page 3 et une page de signature tamponnée. Il n'y a pas de couche texte, donc chaque page passe par l'OCR, et le tableau des loyers nécessite TableFormer en mode précis. Nous utilisons ici Tesseract parce qu'il traite l'arabe et l'anglais sur une même page en une seule passe.
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())Installez d'abord Tesseract et ses données pour l'arabe (`apt install tesseract-ocr tesseract-ocr-ara` sous Debian ou Ubuntu, ou le fichier `ara.traineddata` du dépôt tessdata sur les autres systèmes). La même tâche en ligne de commande :
docling --ocr-engine tesseract --ocr-lang ara,eng --ocr-mode full_page --table-mode accurate lease_dubai_scanned.pdfPour utiliser EasyOCR à la place, installez `docling[easyocr]` et remplacez par `EasyOcrOptions(lang=["ar", "en"], mode=OcrMode.FULL_PAGE)`. EasyOCR utilise un GPU lorsqu'il y en a un, ce qui aide sur les dossiers volumineux.
Ce qu'il faut vérifier dans le résultat d'un contrat en arabe
- L'ordre des mots sur les lignes mixtes. Lorsqu'un terme défini en anglais figure dans une phrase arabe, l'ordre des segments peut ressortir inversé. Ce problème est suivi dans le ticket #3462 (Mixed Arabic-English PDFs produce incorrect OCR/output text), ouvert au 20 oct. 2026.
- Les formes de présentation dans les PDF natifs. Certains PDF arabes stockent les glyphes sous forme de formes de présentation Unicode, ce qui perturbe la recherche et les embeddings. Un correctif de normalisation est proposé dans la pull request #3929, toujours ouverte ; en attendant sa fusion, appliquez `unicodedata.normalize("NFKC", text)` au texte exporté.
- Les cellules des tableaux. Comparez à l'œil deux ou trois lignes de l'échéancier des loyers avec la numérisation. Les montants en chiffres arabes orientaux (٠١٢٣) doivent être conservés tels qu'écrits et convertis seulement lors d'une étape ultérieure journalisée.
- Les tampons et signatures. Ils sont détectés comme des images. Ce ne sont pas du texte : ne vous attendez donc pas à retrouver le libellé du tampon dans le Markdown.
Rien de tout cela ne remplace la lecture de l'original par un juriste. Cela met le texte, la numérotation des clauses et les tableaux sous une forme sur laquelle les outils de revue peuvent travailler, et cela vous indique quelles pages nécessitent un second regard humain.
Comment découper des documents avec HybridChunker ?
`HybridChunker` découpe selon la structure propre du document (sections, clauses, lignes de tableau), puis ajuste les fragments à un budget de tokens. Dans les versions actuelles, ce budget est porté par un wrapper de tokenizer issu de `docling-core`, que vous passez au chunker. Les anciens tutoriels, y compris la première version de celui-ci, passaient directement un tokenizer `transformers` brut et `max_tokens` à `HybridChunker`. Cela fonctionne encore, mais déclenche désormais un `DeprecationWarning` : utilisez donc le 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))Vectorisez la sortie de `contextualize()`, pas `chunk.text`. Pour un contrat, elle préfixe chaque fragment de son chemin de titres, si bien qu'un fragment qui dit seulement « the Tenant shall pay within 30 days » parvient au modèle d'embedding comme faisant partie de « Article 5, Rent and Payment ». Choisissez un modèle d'embedding multilingue pour les contrats en arabe ; un modèle uniquement anglais comme all-MiniLM-L6-v2 tokenisera mal l'arabe. Pour les modèles de type OpenAI, `docling_core.transforms.chunker.tokenizer.openai.OpenAITokenizer` encapsule de la même manière un encodage tiktoken.
D'où vient chaque fragment ?
Chaque fragment porte `chunk.meta`, avec `headings` (le chemin de sections), `doc_items` (les paragraphes ou cellules de tableau sources, chacun avec son numéro de page et son cadre de délimitation dans le champ `prov`) et `origin` (le nom et l'empreinte du fichier source). Conservez-les. Une réponse juridique qui cite « page 3, échéancier des loyers » est vérifiable ; une réponse qui cite « fragment 41 » ne l'est pas.
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],
})Comment traiter un dossier de contrats ?
Construisez le convertisseur une seule fois et réutilisez-le, car le chargement des modèles est l'étape lente. `convert_all` prend un itérable de chemins et, avec `raises_on_error=False`, poursuit au-delà d'un fichier corrompu en signalant son statut.
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}")Pour les dossiers volumineux, définissez `pipeline_options.document_timeout` (la docstring de Docling suggère 90 à 120 secondes) afin qu'une mauvaise numérisation ne puisse pas bloquer un lot, et désactivez les fonctions inutiles : `do_table_structure=False` pour la correspondance, `do_ocr=False` pour les exports Word natifs convertis en PDF.
Quels formats d'export Docling prend-il en charge ?
À partir d'un `DoclingDocument`, vous pouvez appeler `export_to_markdown()`, `export_to_html()`, `export_to_text()` et `export_to_dict()` (JSON sans perte, que vous pouvez recharger plus tard sans relancer l'OCR). Enregistrez le JSON de tout ce qui est passé par l'OCR : relancer l'OCR pleine page sur un dossier de 200 pages est l'étape coûteuse, et le JSON conserve la provenance par page et par cadre de délimitation que le Markdown perd.
Docling ou Unstructured : lequel choisir ?
Les deux sont open source et s'exécutent en local. Les points forts de Docling sont l'analyse de mise en page, la récupération de la structure des tableaux avec TableFormer, un modèle de document unique et typé avec une provenance au niveau de la page, et un chunker sensible à la structure. Unstructured (Apache 2.0, fonctions `partition()`) dispose d'un éventail plus large de connecteurs source et destination et d'une plateforme commerciale hébergée. Pour un pipeline de contrats où les tableaux et les citations de page comptent, nous commençons par Docling ; si votre problème consiste à extraire des fichiers de nombreux systèmes SaaS, les connecteurs d'Unstructured peuvent vous faire gagner davantage de temps. Testez les deux sur dix de vos pires numérisations avant de décider, car les résultats sur les numérisations en arabe varient davantage d'un fichier à l'autre que d'une bibliothèque à l'autre.
Quel lien avec la revue juridique par IA ?
L'analyse des fichiers est la première étape, et celle qui détermine la qualité possible de tout ce qui suit. Une clause que l'analyseur a coupée en deux ne peut pas être revue comme une clause, et un tableau aplati en une ligne de chiffres ne peut pas être vérifié ligne par ligne. HAQQ intègre les fichiers des clients dans des espaces de travail privés avec les mêmes objectifs (structure, tableaux et citations de page préservés) avant que la revue de contrats ne s'exécute sur eux, avec un hébergement dans l'UE, aux États-Unis ou au Moyen-Orient, ou sur votre propre infrastructure.
Prochaines étapes
- Figez `docling==2.140.0` (ou la version que vous testez) et consignez-la à côté de vos résultats.
- Choisissez trois fichiers représentatifs : un contrat natif numérique, un contrat arabe numérisé et un contrat comportant un tableau dense. Convertissez chacun et relisez le Markdown en regard de l'original.
- Choisissez le moteur OCR par type de document, pas de manière globale. Tesseract avec `["ara", "eng"]` est un choix par défaut solide pour les contrats mixtes de la région MENA.
- Découpez avec un tokenizer correspondant à votre modèle d'embedding et conservez `chunk.meta` pour les citations.
Sources
- Docling sur PyPI (historique des versions)
- docling-project/docling sur GitHub
- Versions de Docling
- Documentation de Docling
- Exemple Docling d'OCR pleine page
- Exemple Docling de découpage hybride
- Ticket #3462 : PDF mixtes arabe-anglais
- Pull request #3929 : normaliser les formes de présentation arabes
- Données linguistiques de Tesseract (tessdata)



![Arrêtez d'écrire [CLIENT] : comment anonymiser un document avant de le confier à une IA](/images/blog-covers/redaction-tools-for-lawyers.webp)