Docling - RAG 用ドキュメント解析 チートシート

Docling - RAG 用ドキュメント解析 チートシート

Docling はオープンソースのドキュメント解析ツールキット（LF AI & Data プロジェクト）— PDF、DOCX、PPTX、XLSX、HTML、イメージなどを構造化表現に変換 — レイアウト、テーブル、見出し、読み順を保持するクリーンな Markdown または JSON。階層認識チャンキングを含み、チャンク構造メタデータで充実化、LangChain および LlamaIndex と直接統合 — RAG パイプラインの取り込み段階の最強のオープンソース選択肢の一つ。

インストール

方法	コマンド
pip	pip install docling
uv	uv add docling
OCR エクストラ付き	pip install "docling[ocr]"
確認	docling --version

CLI の使用方法

コマンド	説明
docling document.pdf	ファイルを Markdown に変換（デフォルト）
docling --to json document.pdf	構造化 JSON を出力
docling --to md --output out/ report.docx	ディレクトリに変換
docling https://example.com/page.html	URL から変換
docling --ocr scanned.pdf	スキャン済みドキュメントに OCR を強制
docling --help	完全なオプションリスト

Python：基本的な変換

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")

doc = result.document
print(doc.export_to_markdown())   # クリーン Markdown
print(doc.export_to_dict())       # 構造化 JSON 可能な dict

メソッド	戻り値
export_to_markdown()	見出し/テーブル保持の Markdown
export_to_dict()	構造化ドキュメントモデル（JSON 可能）
export_to_doctags()	DocTags 表現
result.document	パース済み DoclingDocument

サポートされている入力

フォーマット	注釈
PDF	レイアウト、テーブル、読み順；スキャン用 OCR
DOCX / PPTX / XLSX	Office フォーマット
HTML	ウェブページとエクスポート
イメージ	OCR 経由 PNG/JPG/TIFF
Markdown / AsciiDoc	ドキュメントモデルに再構造化

階層認識チャンキング

Docling のチャンカーはパース済みドキュメントを埋め込み用に分割しながら、各チャンクのメタデータに構造コンテキスト（セクション見出し、テーブル境界）を保持。

from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker

doc = DocumentConverter().convert("report.pdf").document
chunker = HybridChunker(tokenizer="sentence-transformers/all-MiniLM-L6-v2")

for chunk in chunker.chunk(doc):
    print(chunk.text)
    print(chunk.meta)   # 見出し、ページ、由来

チャンカー	動作
HierarchicalChunker	ドキュメント構造で分割（セクション、アイテム）
HybridChunker	構造認識 + トークナイザー認識サイジング/マージ
chunk.meta	見出し/由来を持つコンテキスト拡張用に実施

RAG フレームワーク統合

フレームワーク	方法
LangChain	DoclingLoader はドキュメント/チャンクを返す
LlamaIndex	Docling リーダー/ノードパーサー
カスタム	export_to_markdown() またはチャンカー出力を直接使用

# LangChain の例
from langchain_docling import DoclingLoader
docs = DoclingLoader(file_path="report.pdf").load()

パフォーマンス & オプション

オプション	目的
OCR エンジン	OCR を選択/無効化（EasyOCR、Tesseract など）
テーブルモード	正確対高速テーブル構造復旧
デバイス	CPU または GPU 上でモデルを実行
ページ範囲	変換を特定のページに限定
パイプラインオプション	フォーマットあたりの変換パイプラインをチューン

一般的なワークフロー

# PDF フォルダーを取り込み用 Markdown に変換
for f in docs/*.pdf; do docling --to md --output corpus/ "$f"; done

# パース → チャンク → 埋め込み、RAG 取り込みコア
from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker

doc = DocumentConverter().convert("manual.pdf").document
chunks = list(HybridChunker().chunk(doc))
# モデルで各 chunk.text を埋め込み、chunk.meta と共に保存

Docling vs その他のパーサー

側面	Docling	Unstructured	Marker
出力	Markdown + 構造化モデル	型要素	Markdown
チャンキング	組み込み、階層認識	要素ベース	外部
スピード	良好（CPU）	良好	GPU 付き最速
最適用途	セルフホスト RAG 取り込み	型要素パイプライン	GPU バルク Markdown

リソース

• GitHub リポジトリ
• 公式ドキュメント
• 統合