N1 · Simple à mettre en placeNouveau

Extraction de documents complexes pour pipelines RAG (Docling)

Convertit PDF scannés et mises en page denses en texte structuré exploitable par un LLM

Ce qu'il faut

Niveau: N1 · Simple à mettre en place — Vous déposez un fichier fourni dans un outil que vous utilisez déjà. Rien à héberger ni à configurer en profondeur.
Serveur requis: Non
Réglages requis: Non (dépôt d'un fichier)
Licence: Projet tiers sous licence permissive (MIT) : utilisation, modification et redistribution permises selon ses termes, avec conservation des mentions de droit d'auteur et du texte de licence. Le texte de la licence d'origine, publié dans le dépôt source, fait foi.

Docling convertit des documents complexes — PDF scannés, présentations, tableaux imbriqués, mise en page multi-colonnes — en texte structuré directement exploitable par un pipeline RAG ou un LLM. Il préserve la structure logique du document (titres, tableaux, légendes) plutôt que de produire un simple texte brut aplati.

Limites et précautions : plusieurs issues ouvertes récentes signalent des erreurs de fidélité sur les formats Office, selon des rapports non vérifiés (par exemple listes imbriquées DOCX mal structurées, colonnes de tableau interverties) : validez la conversion sur un échantillon de vos propres documents.

Licence et attribution : ce produit référence le projet open source Docling (https://github.com/docling-project/docling), gouverné par la LF AI & Data Foundation (origine IBM Research) et distribué sous licence MIT (texte complet : https://github.com/docling-project/docling/blob/main/LICENSE). Les modèles de mise en page et d'OCR sont téléchargés depuis Hugging Face avec leurs propres licences, que le catalogue de modèles ne détaille pas : vérifiez-les avant un usage commercial. Tous droits conservés par ses auteurs ; cette fiche est une présentation rédigée par Marketia.

Critique Marketia

Verdict

Une bibliothèque Python sérieuse et très active pour transformer PDF, Word, PowerPoint et images en Markdown ou JSON exploitable par une IA ; fiable en exécution locale, mais plusieurs issues ouvertes récentes signalent des erreurs de fidélité sur les formats Office (rapports non vérifiés, lecture partielle des issues), donc à valider sur vos propres documents avant de lui confier quoi que ce soit d'important.

Pour qui (PME française)

Une équipe technique (ou un prestataire) qui construit un assistant sur ses documents (contrats, devis, notices, factures) et veut une conversion locale.
Pas pour un utilisateur métier seul : c'est une bibliothèque et une ligne de commande, sans interface.

Points forts prouvés

Large éventail de formats annoncé : PDF, DOCX, PPTX, XLSX, HTML, images, e-mails, ODF, EPUB, audio (README lu).
« Local execution capabilities for sensitive data and air-gapped environments » (README) ; la FAQ contient une section « How do I run completely offline? » (titre lu, procédure non testée).
Installation annoncée en pip install docling sur macOS, Linux et Windows (x86_64 et arm64), Python 3.10 ou plus (README et docs/getting_started/installation.md lus).
Intégrations documentées avec LangChain, LlamaIndex, CrewAI, Haystack, serveur MCP et serveur d'API (README).
Maintenance très active : v2.140.0 le 2026-10-16, trois releases en cinq jours (flux Atom lus).

Limites et risques

Issues ouvertes (environ 693 d'après la page des issues, résumé automatique) : les 12 plus récentes (2026-10-14 et 15) portent sur la fidélité de conversion : listes imbriquées DOCX mal structurées, bloc de code corrompu en Markdown, saut de ligne parasite en PPTX, colonnes de tableau intervertie (backend « Bee »), OCR non limitable aux pages scannées. Pour des factures ou des tableaux, il faut un échantillon de contrôle.
Une issue (#4832) signale que la diarisation audio est désactivée avec une version récente de setuptools : l'option audio demande de la prudence.
Dépendance lourde : les modèles s'appuient sur PyTorch (doc d'installation) ; la variante processeur seul passe par un index PyTorch spécifique. Sur Mac Intel, il faut une procédure particulière (PyTorch récent sans roue pour cette plateforme). La taille du téléchargement n'est pas indiquée dans les docs lues : nous ne la chiffrons pas.
Les modèles de mise en page et d'OCR sont récupérés depuis Hugging Face (la FAQ mentionne une erreur SSL de téléchargement des poids) : sur un poste d'entreprise avec proxy, cela peut coincer.
Les licences de ces modèles ne sont pas détaillées dans le catalogue de modèles lu (voir licence).

Effort d'installation réel

Faible pour un essai (pip install docling puis docling <fichier>), moyen pour une chaîne fiable : choix de l'OCR (EasyOCR, Tesseract, RapidOCR... avec dépendances système pour Tesseract), préchargement des modèles pour le hors-ligne, tests sur vos documents. Estimation : une demi-journée pour un premier flux, plusieurs jours pour fiabiliser sur des documents réels. Estimation, pas mesure.

Alternatives

Marker (https://github.com/datalab-to/marker, fiche Marketia voisine), Unstructured, PaddleOCR pour l'OCR seul, Tesseract seul pour les scans simples.
Pour du volume sans équipe technique : un service de GED avec OCR, hors open source.

Licence et attention commerciale

Code sous licence MIT (fichier LICENSE lu : « MIT License, Copyright The Docling Contributors »). Usage commercial permis, avec attribution. Attention : le code est MIT, mais les poids de modèles téléchargés (layout, tableaux, OCR, modèles de vision) ont leurs propres licences que nous n'avons pas relues ; certains moteurs OCR optionnels aussi. À vérifier avant de livrer une solution à un client.

Ce que nous n'avons pas testé

Aucune installation, aucune conversion de document réel (surtout français : accents, tableaux de factures), aucune mesure de temps ou de mémoire, aucun test hors-ligne, aucune lecture des licences des modèles, aucun test du serveur d'API ni du serveur MCP.