Skip to content
    HAQQ
    Entrar
    Fale com vendas
    Experimente a HAQQ
    Experimente a HAQQ
    1. Início
    2. Blog
    3. Docling Python: guia prático para processar arquivos em 2026
    Guias & Tutoriais

    Docling Python: guia prático para processar arquivos em 2026

    Instale o Docling 2.140, converta PDFs e digitalizações em Markdown em cinco linhas, aplique OCR a um contrato árabe digitalizado com tabelas e divida-o para RAG.

    Jad JabbourJad Jabbour|
    20 de maio de 2026
    8 min de leitura
    Docling Python: guia prático para processar arquivos em 2026

    Em resumo: o Docling é uma biblioteca Python com licença MIT, criada na IBM Research e hoje hospedada pela LF AI & Data, que converte PDFs, arquivos do Word, digitalizações e mais de 30 outros formatos em Markdown ou JSON para pipelines de IA. A versão 2.140.0 (16 de outubro de 2026) é instalada com um comando pip e converte um arquivo em cinco linhas 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 versão: todos os trechos de código deste guia foram verificados com o Docling 2.140.0 (PyPI, lançado em 16 de outubro de 2026) e com o repositório docling-project/docling em 20 de outubro de 2026. O Docling publica novas versões a cada poucos dias, por isso fixe a versão em produção e confira novamente os nomes das opções ao atualizar.

    Principais fatos

    • Versão mais recente: Docling 2.140.0, publicada no PyPI em 16 de outubro de 2026 (PyPI, consultado em 20 out. 2026).
    • Python: 3.10 ou superior; o suporte ao 3.9 foi removido na versão 2.70.0 (README do Docling, consultado em 20 out. 2026).
    • Licença e sede: MIT, repositório github.com/docling-project/docling, um projeto da LF AI & Data, com cerca de 69.000 estrelas no GitHub (GitHub, 20 out. 2026).
    • Motores de OCR: um seletor automático (o padrão), RapidOCR (instalado por padrão), EasyOCR, Tesseract (CLI ou tesserocr), macOS Vision, Nemotron OCR e um motor remoto KServe (pipeline_options.py, 2.140.0).
    • Árabe: suportado via EasyOCR (`ar`), Tesseract (`ara`) e o reconhecedor de escrita árabe do RapidOCR; páginas que misturam árabe e inglês ainda têm issues em aberto, por exemplo #3462 e #3929 (GitHub, consultado em 20 out. 2026).
    • Formatos: PDF, DOCX, DOC, RTF, PPTX, XLSX, CSV, HTML, Markdown, AsciiDoc, LaTeX, EPUB, e-mail (EML, MSG), ODF, imagens, áudio e vídeo, entre outros (enum InputFormat, 2.140.0).

    Experimente HAQQ AI grátis

    Experimente a redação e pesquisa jurídica com IA

    Para que serve o Docling?

    O Docling fica no início de um pipeline de recuperação (retrieval) ou de análise de documentos. Ele lê um arquivo, executa a detecção de layout, a reconstrução da ordem de leitura, a recuperação da estrutura das tabelas e o OCR quando a página não tem camada de texto, e devolve um único objeto `DoclingDocument`. A partir desse objeto, você exporta Markdown, HTML, texto simples ou JSON sem perdas, ou o entrega a um chunker que prepara os trechos para um modelo de embeddings.

    Ele nos interessa para o trabalho jurídico porque os contratos estão cheios das estruturas que uma extração ingênua de texto de PDF destrói: cláusulas numeradas, anexos, tabelas de pagamento, blocos de assinatura e páginas que são apenas a digitalização de um original carimbado. O Docling roda localmente, então os documentos dos clientes nunca precisam sair da sua infraestrutura para serem processados.

    Quais formatos de arquivo o Docling suporta?

    A versão 2.140.0 aceita PDF (com texto e digitalizado), Word (.docx, .doc), RTF, PowerPoint (.pptx, .ppt), Excel (.xlsx, .xls), CSV, HTML e MHTML, Markdown, AsciiDoc, LaTeX, EPUB, arquivos de e-mail (.eml, .msg), OpenDocument (.odt, .ods, .odp), Apple Pages, Numbers e Keynote, imagens (PNG, JPEG, TIFF e outras), WebVTT, e áudio e vídeo por meio de reconhecimento de fala. O `DocumentConverter` detecta o formato sozinho, então basta passar um caminho ou uma URL.

    O Docling faz OCR?

    Sim. `PdfPipelineOptions.do_ocr` é `True` por padrão, e a opção padrão `OcrAutoOptions` escolhe um motor disponível na inicialização. Por padrão, o OCR é executado apenas nas regiões sem camada de texto utilizável (`OcrMode.DEFAULT`, que atualmente corresponde a `PDF_AWARE_LAYOUT_REGIONS`). Para um arquivo totalmente digitalizado, defina `mode=OcrMode.FULL_PAGE`. A flag antiga `force_full_page_ocr=True` ainda funciona, mas está obsoleta.

    MotorClasse de opçõesInstalaçãoCódigo do árabe
    RapidOCRRapidOcrOptionsincluído em pip install doclingreconhecedor de escrita árabe (um idioma por execução)
    EasyOCREasyOcrOptionspip install "docling[easyocr]"ar (pode ser combinado com en)
    Tesseract CLITesseractCliOcrOptionsTesseract do sistema mais ara.traineddataara (combinado como ["ara", "eng"])
    Tesseract (tesserocr)TesseractOcrOptionspip install "docling[tesserocr]" mais Tesseract do sistemaara
    macOS VisionOcrMacOptionspip install "docling[ocrmac]", apenas macOSdepende da versão do macOS
    AutoOcrAutoOptionspadrãorepassa as tags iso: ao motor escolhido

    Os códigos de idioma são passados ao motor como estão escritos (`ara` para o Tesseract, `ar` para o EasyOCR), ou como uma tag BCP-47 após o prefixo `iso:`, por exemplo `iso:ar`, que o Docling converte no código correto do motor. Um idioma para o qual o motor não tem modelo gera um erro em vez de recorrer silenciosamente a outro, que é o comportamento desejável num pipeline jurídico.

    Como fazer OCR de um contrato árabe digitalizado com tabelas?

    Vejamos um caso típico: um contrato de locação de Dubai digitalizado, com 14 páginas, corpo do texto em árabe e termos definidos em inglês, um cronograma de aluguéis em forma de tabela na página 3 e uma página de assinaturas carimbada. Não há camada de texto, então todas as páginas passam pelo OCR, e a tabela de aluguéis precisa do TableFormer no modo preciso. Usamos o Tesseract aqui porque ele processa árabe e inglês na mesma página numa única passagem.

    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 primeiro o Tesseract e os dados do árabe (`apt install tesseract-ocr tesseract-ocr-ara` no Debian ou Ubuntu, ou o arquivo `ara.traineddata` do repositório tessdata em outros sistemas). A mesma tarefa pela linha de comando:

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

    Para usar o EasyOCR, instale `docling[easyocr]` e substitua as opções por `EasyOcrOptions(lang=["ar", "en"], mode=OcrMode.FULL_PAGE)`. O EasyOCR usa uma GPU quando há uma disponível, o que ajuda em conjuntos documentais longos.

    O que verificar no resultado de um contrato árabe

    • Ordem das palavras em linhas mistas. Quando um termo definido em inglês aparece no meio de uma frase em árabe, a ordem dos trechos pode vir invertida. Isso é acompanhado na issue #3462 (Mixed Arabic-English PDFs produce incorrect OCR/output text), em aberto em 20 out. 2026.
    • Formas de apresentação em PDFs digitais. Alguns PDFs em árabe armazenam os glifos como formas de apresentação Unicode, o que prejudica a busca e os embeddings. Uma correção de normalização foi proposta no pull request #3929, ainda em aberto; até que seja integrada, aplique `unicodedata.normalize("NFKC", text)` ao texto exportado.
    • Células das tabelas. Compare visualmente duas ou três linhas do cronograma de aluguéis com a digitalização. Valores em algarismos arábicos orientais (٠١٢٣) devem ser mantidos como estão escritos e convertidos apenas numa etapa posterior e registrada.
    • Carimbos e assinaturas. São detectados como imagens. Não são texto, então não espere encontrar o texto do carimbo no Markdown.

    Nada disso substitui a leitura do original por um advogado. O processo coloca o texto, a numeração das cláusulas e as tabelas num formato com o qual as ferramentas de revisão conseguem trabalhar, e indica quais páginas precisam de uma segunda verificação humana.

    Como dividir documentos em chunks com o HybridChunker?

    O `HybridChunker` divide o documento seguindo a sua própria estrutura (seções, cláusulas, linhas de tabela) e depois ajusta os trechos a um orçamento de tokens. Nas versões atuais, o orçamento de tokens fica num wrapper de tokenizer do `docling-core`, e é esse wrapper que você passa ao chunker. Tutoriais mais antigos, incluindo a primeira versão deste, passavam um tokenizer `transformers` bruto e `max_tokens` diretamente ao `HybridChunker`. Isso ainda funciona, mas agora gera um `DeprecationWarning`, por isso use o 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))

    Gere os embeddings a partir da saída de `contextualize()`, não de `chunk.text`. Num contrato, o método acrescenta antes de cada chunk o caminho dos seus títulos, de modo que um chunk que diz apenas “the Tenant shall pay within 30 days” chega ao modelo de embeddings como parte de “Article 5, Rent and Payment”. Escolha um modelo de embeddings multilíngue para contratos em árabe; um modelo apenas em inglês, como o all-MiniLM-L6-v2, tokeniza mal o árabe. Para modelos no estilo OpenAI, `docling_core.transforms.chunker.tokenizer.openai.OpenAITokenizer` encapsula uma codificação tiktoken da mesma forma.

    De onde vem cada chunk?

    Cada chunk traz `chunk.meta`, com `headings` (o caminho da seção), `doc_items` (os parágrafos ou células de tabela de origem, cada um com número de página e bounding box no campo `prov`) e `origin` (o nome e o hash do arquivo de origem). Guarde esses dados. Uma resposta jurídica que cita “página 3, cronograma de aluguéis” é verificável; uma que cita “chunk 41” não é.

    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],
        })

    Como processar uma pasta de contratos?

    Crie o conversor uma vez e reutilize-o, porque o carregamento dos modelos é a parte lenta. `convert_all` recebe um iterável de caminhos e, com `raises_on_error=False`, continua mesmo após um arquivo corrompido e informa o seu status.

    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 conjuntos documentais longos, defina `pipeline_options.document_timeout` (a docstring do Docling sugere de 90 a 120 segundos) para que uma digitalização problemática não trave um lote inteiro, e desative os recursos de que não precisa: `do_table_structure=False` para correspondência, `do_ocr=False` para exportações nativamente digitais do Word convertidas em PDF.

    Quais formatos de exportação o Docling suporta?

    A partir de um `DoclingDocument` você pode chamar `export_to_markdown()`, `export_to_html()`, `export_to_text()` e `export_to_dict()` (JSON sem perdas, que pode ser recarregado depois sem refazer o OCR). Guarde o JSON de tudo o que passou por OCR: refazer o OCR de página inteira num conjunto de 200 páginas é a etapa cara, e o JSON preserva a proveniência de página e bounding box que o Markdown descarta.

    Docling ou Unstructured: qual usar?

    Ambos são open source e ambos rodam localmente. Os pontos fortes do Docling são a análise de layout, a recuperação da estrutura das tabelas com o TableFormer, um modelo de documento único e tipado com proveniência por página e um chunker que respeita a estrutura. O Unstructured (Apache 2.0, funções `partition()`) tem um conjunto maior de conectores de origem e destino e uma plataforma comercial hospedada. Para um pipeline de contratos em que tabelas e citações de página importam, começamos pelo Docling; se o seu problema é extrair arquivos de muitos sistemas SaaS, os conectores do Unstructured podem poupar mais tempo. Teste os dois em dez das suas piores digitalizações antes de decidir, porque os resultados em digitalizações em árabe variam mais de arquivo para arquivo do que de biblioteca para biblioteca.

    Como isso se liga à revisão jurídica com IA?

    O parsing é a primeira etapa, e é ela que define a qualidade possível de tudo o que vem depois. Uma cláusula que o parser cortou ao meio não pode ser revisada como cláusula, e uma tabela achatada numa linha de números não pode ser conferida linha a linha. O HAQQ importa os arquivos dos clientes para workspaces privados com os mesmos objetivos (estrutura, tabelas e citações de página preservadas) antes que a revisão de contratos seja executada sobre eles, com hospedagem na UE, nos EUA ou no Oriente Médio, ou na sua própria infraestrutura.

    Próximos passos

    • Fixe `docling==2.140.0` (ou a versão que estiver testando) e registre-a junto com os seus resultados.
    • Escolha três arquivos representativos: um contrato nativamente digital, um contrato árabe digitalizado e um com uma tabela densa. Converta cada um e compare o Markdown com o original.
    • Escolha o motor de OCR por tipo de documento, não de forma global. O Tesseract com `["ara", "eng"]` é um padrão sólido para contratos mistos da região MENA.
    • Divida em chunks com um tokenizer compatível com o seu modelo de embeddings e mantenha `chunk.meta` para as citações.

    Fontes

    • Docling no PyPI (histórico de versões)
    • docling-project/docling no GitHub
    • Versões do Docling
    • Documentação do Docling
    • Exemplo de OCR de página inteira do Docling
    • Exemplo de chunking híbrido do Docling
    • Issue #3462: PDFs mistos em árabe e inglês
    • Pull request #3929: normalização das formas de apresentação árabes
    • Dados de idioma do Tesseract (tessdata)

    Leituras relacionadas

    • context engineering para uma IA jurídica confiável
    • revisão tabular de documentos com IA jurídica
    • o guia de legal engineering para fluxos de trabalho com IA

    Escrito por

    Jad Jabbour
    Jad Jabbour

    Líder Tecnológico e Responsável de IA

    Jad lidera a tecnologia e a IA na HAQQ. Escreve sobre a engenharia da plataforma, como o processamento de documentos.

    Todos os artigos deste 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

    Artigos relacionados

    Tradução jurídica com IA do árabe para o inglês: guia prático
    Guia

    Tradução jurídica com IA do árabe para o inglês

    Tradução jurídica com IA do árabe para o inglês: guia prático

    IA jurídica em árabe: a lacuna está no retrieval, não no conteúdo
    MENA

    IA jurídica em árabe

    IA jurídica em árabe: a lacuna está no retrieval, não no conteúdo

    Pare de escrever [CLIENTE]: como anonimizar um documento antes de o entregar a uma IA
    Guia

    Pare de escrever [CLIENTE]

    Pare de escrever [CLIENTE]: como anonimizar um documento antes de o entregar a uma IA

    Perguntas frequentes

    O que é o Docling em Python?

    O Docling é uma biblioteca Python open source com licença MIT, iniciada no IBM Research e agora alojada pela LF AI & Data, que converte PDF, Word, PowerPoint, Excel, HTML, digitalizações e outros formatos em Markdown, HTML ou JSON sem perdas para pipelines de IA e RAG. A versão atual a 20 de outubro de 2026 é a 2.140.0.

    Como instalo o Docling?

    Execute 'pip install docling' em Python 3.10 ou superior. A instalação por omissão inclui o RapidOCR. Para o EasyOCR use 'pip install "docling[easyocr]"'; para o Tesseract instale o pacote do sistema e os respetivos dados de língua (para árabe, ara.traineddata), mais 'docling[tesserocr]' se quiser a ligação Python em vez da CLI.

    O Docling faz OCR?

    Sim. O OCR está ativo por omissão (PdfPipelineOptions.do_ocr é True) e corre nas regiões sem camada de texto. Os motores suportados são RapidOCR, EasyOCR, Tesseract (CLI ou tesserocr), macOS Vision e Nemotron OCR, escolhidos automaticamente salvo se definir ocr_options. Para um ficheiro totalmente digitalizado defina mode=OcrMode.FULL_PAGE; a antiga flag force_full_page_ocr está obsoleta.

    O Docling consegue ler documentos digitalizados em árabe?

    Sim, com o Tesseract (lang ["ara", "eng"]), o EasyOCR (lang ["ar", "en"]) ou o reconhecedor de escrita árabe do RapidOCR. Verifique à mão as linhas mistas em árabe e inglês: os problemas de ordem das palavras em linhas mistas são acompanhados na issue #3462 do Docling, e uma correção das formas de apresentação árabes (pull request #3929) ainda estava aberta a 20 de outubro de 2026.

    Docling vs Unstructured: qual é melhor?

    Ambos são open source e correm localmente. O Docling é mais forte em layout, estrutura de tabelas (TableFormer), proveniência ao nível da página e segmentação consciente da estrutura, o que se adequa a contratos. O Unstructured tem mais conectores de origem e destino e uma plataforma alojada. Teste ambos nas suas digitalizações mais difíceis antes de escolher.

    Como defino o tamanho dos chunks no HybridChunker do Docling?

    Envolva o tokenizador do seu modelo de embeddings num HuggingFaceTokenizer (ou OpenAITokenizer) do docling_core com max_tokens definido e passe-o como HybridChunker(tokenizer=...). Passar max_tokens diretamente ao HybridChunker ainda funciona, mas gera um DeprecationWarning. Faça o embedding de chunker.contextualize(chunk) para que cada chunk leve o seu caminho de títulos.

    O que vem a seguir?

    Experimente HAQQ AI grátis

    Experimente a redação e pesquisa jurídica com IA

    Calcule seu ROI

    Veja quanto tempo e dinheiro o HAQQ economiza para seu escritório

    Explore Prompts jurídicos

    Prompts prontos para cada tarefa jurídica

    Voltar ao Blog

    Artigo anterior

    Análise da Legora 2026: preços, alternativas e Legora vs HAQQ

    Próximo artigo

    Legal tech no Oriente Médio: o guia de campo 2026

    Nesta página

    8 min de leitura

    1. 01Principais fatos
    2. 02Para que serve o Docling?
    3. 03Quais formatos de arquivo o Docling suporta?
    4. 04O Docling faz OCR?
    5. 05Como fazer OCR de um contrato árabe digitalizado com tabelas?
    6. O que verificar no resultado de um contrato árabe
    7. 06Como dividir documentos em chunks com o HybridChunker?
    8. 07De onde vem cada chunk?
    9. 08Como processar uma pasta de contratos?
    10. 09Quais formatos de exportação o Docling suporta?
    11. 10Docling ou Unstructured: qual usar?
    12. 11Como isso se liga à revisão jurídica com IA?
    13. 12Próximos passos
    14. 13Fontes
    15. 14Leituras relacionadas

    Partilhe este artigo

    Ponha isto a trabalhar

    Faça ao HAQQ a pergunta que este artigo lhe levantou.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    O seu Gémeo IA Jurídico & Sistema de Gestão de Prática para redigir, faturar e vencer.

    Transferir naApp StoreDisponível noGoogle Play

    Documentações

    • Docs abre num novo separador
    • Primeiros passos abre num novo separador
    • Sala de imprensa abre num novo separador
    • Atualizações do produto abre num novo separador
    • Estado abre num novo separador
    • Confiança abre num novo separador
    • Segurança
    • FAQ abre num novo separador
    • Comunidade abre num novo separador
    • Apoio abre num novo separador

    Academy

    • Parceiro abre num novo separador
    • Curso abre num novo separador
    • Prompts abre num novo separador
    • Labs abre num novo separador

    Site

    • eFirm
    • Chat IA Jurídico
    • App Móvel
    • Motor Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Preços
    • Compare-nos
    • Soluções
    • Blog
    • Conhecer a equipa
    • Junte-se a nós abre num novo separador
    Abrir a app
    • Idiomasenarfresitdeptrohics
    • Contatoinfo@haqq.ai
    • Estadooperacional·fundamentado
    • Termos de Serviço
    • Política de Privacidade
    • Política de Cookies
    • Processamento de Dados
    • Humanos abre num novo separador
    • Advogados abre num novo separador
    • Segurança abre num novo separador
    © 2026 HAQQ Inc. Todos os direitos reservados.Produto desenvolvido internamente pela HAQQ. Site construído com ferramentas 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