Skip to content
    HAQQ
    Se connecter
    Contacter les ventes
    Essayer HAQQ
    Essayer HAQQ
    1. Accueil
    2. Blog
    3. Docling Python : guide pratique pour traiter vos fichiers en 2026
    Guides & Tutoriels

    Docling Python : guide pratique pour traiter vos fichiers en 2026

    Installez Docling 2.140, convertissez PDF et scans en Markdown en cinq lignes, passez un contrat arabe scanné avec tableaux à l'OCR et découpez-le pour le RAG.

    Jad JabbourJad Jabbour|
    20 mai 2026
    8 min de lecture
    Docling Python : guide pratique pour traiter vos fichiers en 2026

    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.

    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())

    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.

    MoteurClasse d'optionsInstallationCode de l'arabe
    RapidOCRRapidOcrOptionsinclus dans pip install doclingmodule de reconnaissance de l'écriture arabe (une langue par exécution)
    EasyOCREasyOcrOptionspip install "docling[easyocr]"ar (combinable avec en)
    Tesseract CLITesseractCliOcrOptionsTesseract système plus ara.traineddataara (combiner sous la forme ["ara", "eng"])
    Tesseract (tesserocr)TesseractOcrOptionspip install "docling[tesserocr]" plus Tesseract systèmeara
    macOS VisionOcrMacOptionspip install "docling[ocrmac]", macOS uniquementdépend de la version de macOS
    AutoOcrAutoOptionspar défauttransmet 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.

    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())

    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 :

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

    Pour 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.

    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))

    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.

    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],
        })

    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.

    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}")

    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)

    Pour aller plus loin

    • l'ingénierie du contexte pour une IA juridique fiable
    • la revue documentaire tabulaire pour l'IA juridique
    • le guide de l'ingénierie juridique pour des workflows propulsés par l'IA

    Rédigé par

    Jad Jabbour
    Jad Jabbour

    Leader Tech & IA

    Jad dirige la technologie et l'IA chez HAQQ. Il écrit sur l'ingénierie de la plateforme, comme le traitement des documents.

    Tous les articles de cet auteurLinkedIn

    Ressources associées

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

    Articles associés

    Traduction juridique IA de l'arabe vers l'anglais : guide pratique
    Guide

    Traduction juridique IA de l'arabe vers l'anglais

    Traduction juridique IA de l'arabe vers l'anglais : guide pratique

    IA juridique arabe : le fossé est dans le retrieval, pas le contenu
    MENA

    IA juridique arabe

    IA juridique arabe : le fossé est dans le retrieval, pas le contenu

    Arrêtez d'écrire [CLIENT] : comment anonymiser un document avant de le confier à une IA
    Guide

    Arrêtez d'écrire [CLIENT]

    Arrêtez d'écrire [CLIENT] : comment anonymiser un document avant de le confier à une IA

    Questions fréquentes

    Qu'est-ce que Docling en Python ?

    Docling est une bibliothèque Python open source sous licence MIT, lancée chez IBM Research et désormais hébergée par LF AI & Data, qui convertit les PDF, documents Word, PowerPoint, Excel, HTML, scans et autres formats en Markdown, HTML ou JSON sans perte, pour les pipelines d'IA et de RAG. La version actuelle au 20 octobre 2026 est la 2.140.0.

    Comment installer Docling ?

    Lancez « pip install docling » avec Python 3.10 ou plus récent. L'installation par défaut inclut RapidOCR. Pour EasyOCR, utilisez « pip install "docling[easyocr]" » ; pour Tesseract, installez le paquet système et ses données de langue (pour l'arabe, ara.traineddata), ainsi que « docling[tesserocr] » si vous voulez la liaison Python plutôt que la CLI.

    Docling fait-il de l'OCR ?

    Oui. L'OCR est activé par défaut (PdfPipelineOptions.do_ocr vaut True) et s'exécute sur les zones sans couche texte. Les moteurs pris en charge sont RapidOCR, EasyOCR, Tesseract (CLI ou tesserocr), macOS Vision et Nemotron OCR, choisis automatiquement sauf si vous définissez ocr_options. Pour un fichier entièrement scanné, définissez mode=OcrMode.FULL_PAGE ; l'ancien indicateur force_full_page_ocr est obsolète.

    Docling peut-il lire des documents arabes scannés ?

    Oui, avec Tesseract (lang ["ara", "eng"]), EasyOCR (lang ["ar", "en"]) ou le modèle de reconnaissance de l'écriture arabe de RapidOCR. Vérifiez à la main les lignes mêlant arabe et anglais : les problèmes d'ordre des mots sur ces lignes sont suivis dans l'issue Docling #3462, et un correctif pour les formes de présentation arabes (pull request #3929) était encore ouvert le 20 octobre 2026.

    Docling ou Unstructured : lequel est le meilleur ?

    Les deux sont open source et s'exécutent en local. Docling est plus performant sur la mise en page, la structure des tableaux (TableFormer), la traçabilité au niveau de la page et le découpage tenant compte de la structure, ce qui convient aux contrats. Unstructured offre davantage de connecteurs de source et de destination et une plateforme hébergée. Testez les deux sur vos scans les plus difficiles avant de choisir.

    Comment définir la taille des chunks dans le HybridChunker de Docling ?

    Encapsulez le tokenizer de votre modèle d'embedding dans HuggingFaceTokenizer (ou OpenAITokenizer) de docling_core en définissant max_tokens, puis passez-le sous la forme HybridChunker(tokenizer=...). Passer max_tokens directement à HybridChunker fonctionne encore mais déclenche un DeprecationWarning. Calculez l'embedding de chunker.contextualize(chunk) pour que chaque chunk porte le chemin de ses titres.

    Et ensuite ?

    Essayer HAQQ AI gratuitement

    Découvrez la rédaction et la recherche juridique par IA

    Calculer votre ROI

    Voyez combien HAQQ économise pour votre cabinet

    Parcourir Prompts juridiques

    Prompts prêts à l'emploi pour chaque tâche juridique

    Retour au Blog

    Article précédent

    Avis Legora 2026 : tarifs, alternatives et Legora vs HAQQ

    Article suivant

    Legal tech au Moyen-Orient : le guide de terrain 2026

    Sur cette page

    8 min de lecture

    1. 01Points clés
    2. 02À quoi sert Docling ?
    3. 03Quels formats de fichier Docling prend-il en charge ?
    4. 04Docling fait-il de l'OCR ?
    5. 05Comment faire l'OCR d'un contrat arabe numérisé contenant des tableaux ?
    6. Ce qu'il faut vérifier dans le résultat d'un contrat en arabe
    7. 06Comment découper des documents avec HybridChunker ?
    8. 07D'où vient chaque fragment ?
    9. 08Comment traiter un dossier de contrats ?
    10. 09Quels formats d'export Docling prend-il en charge ?
    11. 10Docling ou Unstructured : lequel choisir ?
    12. 11Quel lien avec la revue juridique par IA ?
    13. 12Prochaines étapes
    14. 13Sources
    15. 14Pour aller plus loin

    Partager cet article

    Mettez-le en pratique

    Posez à HAQQ la question que cet article a soulevée pour vous.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Votre Jumeau Juridique IA et Système de Gestion de Cabinet pour la rédaction, la facturation et le succès.

    Télécharger dans l'App StoreDisponible surGoogle Play

    Documentations

    • Docs s'ouvre dans un nouvel onglet
    • Premiers pas s'ouvre dans un nouvel onglet
    • Salle de presse s'ouvre dans un nouvel onglet
    • Nouveautés produit s'ouvre dans un nouvel onglet
    • Statut s'ouvre dans un nouvel onglet
    • Confiance s'ouvre dans un nouvel onglet
    • Sécurité
    • FAQ s'ouvre dans un nouvel onglet
    • Communauté s'ouvre dans un nouvel onglet
    • Assistance s'ouvre dans un nouvel onglet

    Academy

    • Partenaire s'ouvre dans un nouvel onglet
    • Cours s'ouvre dans un nouvel onglet
    • Prompts s'ouvre dans un nouvel onglet
    • Labs s'ouvre dans un nouvel onglet

    Site web

    • eFirm
    • Chat IA Juridique
    • Application Mobile
    • Moteur Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Tarifs
    • Comparez-nous
    • Solutions
    • Blog
    • Rencontrer l'équipe
    • Rejoignez-nous s'ouvre dans un nouvel onglet
    Ouvrir l'app
    • Languesenarfresitdeptrohics
    • Contactinfo@haqq.ai
    • Statutopérationnel·ancré
    • Conditions d'Utilisation
    • Politique de Confidentialité
    • Politique de Cookies
    • Traitement des Données
    • Humains s'ouvre dans un nouvel onglet
    • Avocats s'ouvre dans un nouvel onglet
    • Sécurité s'ouvre dans un nouvel onglet
    © 2026 HAQQ Inc. Tous droits réservés.Produit conçu en interne par HAQQ. Site web construit avec des outils web modernes.
    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