Docling: Dokumente in KI-fähige Strukturdaten verwandeln

Doclings Rolle in der RAG-Pipeline

Docling sortiert sich selbst dort ein, wo viele Projekte der RAG-Ära anfangen: beim Einlesen. Die Beschreibung lautet, Dokumente für generative KI bereit zu machen, und der technische Bericht auf arXiv (2408.09869) liefert die Grundlagen dazu. Das Projekt ist in Python geschrieben, steht unter MIT und wird seit August 2024 von der LF AI & Data Foundation beherbergt. Mit über 65.000 Sternen gehört es zu den am stärksten beobachteten Werkzeugen seiner Kategorie.

Die Bandbreite der Eingangsformate erklärt einen Teil dieser Aufmerksamkeit: PDF, DOCX, PPTX, XLSX, HTML, EPUB, Apple Pages, LaTeX, Bilder wie PNG, TIFF und JPEG, E-Mails im EML- und MSG-Format sowie Audio und Video mit ASR-Transkript und Keyframes. Neuerdings kommen OpenDocument-Dateien (.odt, .ods, .odp) und XBRL-Finanzberichte dazu. Wer ein Unternehmensarchiv mit gemischten Beständen betreut, findet damit einen einzigen Einstieg statt eines Werkzeugkastens pro Format.

PDF-Verarbeitung jenseits der reinen Textextraktion

Der Kern des Projekts ist die anspruchsvolle PDF-Verarbeitung. Docling analysiert Seitenlayout, Lesereihenfolge, Tabellenstrukturen, Codeblöcke, Formeln und Bildklassifikation. Genau diese Elemente verlieren einfache Textextraktoren, weil ein PDF nur Positionen und Glyphen kennt, nicht die logische Struktur einer zweispaltigen Seite mit Fußnoten. Für gescannte Dokumente steht OCR-Bereitstellung, für Bildverarbeitung werden mehrere Visual Language Models unterstützt, allen voran GraniteDocling mit 258 Millionen Parametern.

Kürzere Auswertungen der Neuerungen runden das Bild: Diagrammverständnis für Balken-, Kreis- und Liniendiagramme, die in Tabellen oder Code überführt und mit Beschreibungen versehen werden können. Was das README als geplante Erweiterung nennt, nämlich Metadatenextraktion und komplexe Chemie, ist noch nicht Teil des Funktionsumfangs. Für die Bewertung eines eigenen Dokumentbestands bleibt die eigentliche Praxisprobe der Vergleich zwischen Originalseite und Exportergebnis, denn Modelle wie GraniteDocling lassen sich auch über die CLI aktivieren: docling --pipeline vlm --vlm-model granite_docling.

Das DoclingDocument als einheitliches Datenmodell

Alle Konvertierungen münden in einem gemeinsamen Repräsentationsformat, dem DoclingDocument. Es fasst Text, Tabellen, Bilder und Strukturmerkmale in einem ausdrucksstarken Modell zusammen, aus dem die Exportwege abzweigen: Markdown, HTML, WebVTT, DocTags und verlustfreies JSON. Dieses Zwischenformat ist der eigentliche Clou, weil Downstream-Komponenten nicht mehr wissen müssen, ob die Quelle ein PDF oder eine E-Mail war.

Dazu kommen anwendungsbezogene XML-Schemata, die das README einzeln aufführt: DocLang, USPTO-Patente, JATS-Artikel und XBRL-Finanzberichte. Wer juristische, patentbezogene oder buchhalterische Bestände bearbeitet, braucht genau diese Schemata, und ihre Erwähnung im Funktionsumfang unterscheidet Docling von generischen PDF-to-Markdown-Werkzeugen. Die Grenze liegt dort, wo proprietäre Sonderformate ohne gelistete Unterstützung beginnen; die Formatliste der Dokumentation ist die maßgebliche Referenz.

Installation, CLI und Python-Einbindung

Der Installationsweg ist ein Kommando: pip install docling. Seit Version 2.70.0 ist Python 3.9 abgekündigt, verlangt werden 3.10 oder höher; unterstützt werden macOS, Linux und Windows auf x86_64 und arm64. Der schnellste Test läuft über die CLI mit docling https://arxiv.org/pdf/2206.01062, was eine Markdown-Datei im aktuellen Verzeichnis erzeugt. Genau dieser Befehl eignet sich auch als Rauchtest nach jedem Versionswechsel, denn die Release-Frequenz ist hoch: v2.122.0, v2.123.0 und v2.123.1 erschienen innerhalb von vier Tagen im August 2026.

Für den produktiven Einsatz empfiehlt das README die Python-API, deren Mindestbeispiel drei Zeilen umfasst: DocumentConverter instanziieren, converter.convert(source) aufrufen und das Ergebnis über result.document.export_to_markdown() ausgeben. Die Quelle kann ein lokaler Pfad oder eine URL sein. Weitere Konfigurationsoptionen, Beispiele und Rezepte liegen in der Dokumentation unter docling-project.github.io/docling.

docling-serve, MCP-Server und Integrationswege

Neben der Bibliothek gibt es zwei Betriebsarten, die Docling von reinen Python-Paketen abheben. Mit docling-serve läuft das Werkzeug als API-Dienst, sodass andere Anwendungen Konvertierungen über HTTP anfragen können, ohne selbst Python einzubinden. Der MCP-Server wiederum verbindet Docling mit beliebigen Agenten, die das Model Context Protocol sprechen. Für Bot-Umgebungen, in denen ein Agent on demand ein PDF einlesen soll, ist das der direkteste Weg.

Zu den bestehenden Ökosystem-Anbindungen zählen laut README LangChain, LlamaIndex, Crew AI und Haystack. Die Integrationen sind als eigenständige Anbindungen dokumentiert, sodass ein bestehender Stapel verarbeitungsdienst den Dokumentleser austauschen kann, ohne die restliche Pipeline umzubauen. Wie sich docling-serve unter Last verhält, etwa bei gleichzeitigen Konvertierungen großer PDFs, sagt die Lektüre des READMEs nicht aus; hier hilft nur ein eigener Lasttest.

Lokaler Betrieb, IBM-Herkunft und die Lizenzlage

Ein praktisches Merkmal für Unternehmensumgebungen: Docling kann vollständig lokal laufen, was das README ausdrücklich für sensible Daten und luftdicht getrennte Netze nennt. Models werden also nicht zwingend über fremde Endpunkte abgefragt, und die ASR-Modelle für Audio- und Videoeingaben lassen sich ebenfalls lokal betreiben. Das Projekt wurde vom AI-for-Knowledge-Team der IBM Research Zürich gestartet und firmiert unter der Flagge der LF AI & Data Foundation.

Bei der Lizenz ist zwischen zwei Ebenen zu unterscheiden: Der Code selbst steht unter MIT, während für die Nutzung einzelner Modelle die Lizenzen der Originalpakete gelten. Diese Trennung ist kein Formalismus, denn gerade die Visual Language Models bringen eigene Nutzungsbedingungen mit. Wer Docling in ein Produkt überführt, sollte also neben der MIT-Notiz im README die Modell-Lizenzen der eingesetzten Pakete gesondert prüfen, bevor die Distribution erfolgt.

Redaktionelles Fazit

Docling eignet sich für Teams, die RAG-Pipelines oder Dokumentarchive mit einer einheitlichen Repräsentation füttern wollen und dafür ein Werkzeug mit breitem Formatdeckel suchen, vom US-Patentschema bis zur XBRL-Finanzberichterstattung. Wer nur ein einziges sauberes PDF konvertieren will, holt mit einer Python-Abhängigkeit dieser Größe eher Ballast. Vor dem Rollout sollte ein eigener Dokumentstapel mit converter.convert() gegen export_to_markdown() geprüft werden, denn die Fehlertoleranz bei komplexen Layouts lässt sich aus den 978 offenen Issues nicht direkt ableiten.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes