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.
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 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.
| Motor | Classe de opções | Instalação | Código do árabe |
|---|---|---|---|
| RapidOCR | RapidOcrOptions | incluído em pip install docling | reconhecedor de escrita árabe (um idioma por execução) |
| EasyOCR | EasyOcrOptions | pip install "docling[easyocr]" | ar (pode ser combinado com en) |
| Tesseract CLI | TesseractCliOcrOptions | Tesseract do sistema mais ara.traineddata | ara (combinado como ["ara", "eng"]) |
| Tesseract (tesserocr) | TesseractOcrOptions | pip install "docling[tesserocr]" mais Tesseract do sistema | ara |
| macOS Vision | OcrMacOptions | pip install "docling[ocrmac]", apenas macOS | depende da versão do macOS |
| Auto | OcrAutoOptions | padrão | repassa 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.
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:
docling --ocr-engine tesseract --ocr-lang ara,eng --ocr-mode full_page --table-mode accurate lease_dubai_scanned.pdfPara 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.
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.
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.
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)



![Pare de escrever [CLIENTE]: como anonimizar um documento antes de o entregar a uma IA](/images/blog-covers/redaction-tools-for-lawyers.webp)