Docling: converter PDFs para IA locale

#A etapa que determina todo o resto

Quando um assistente documental responde mal, a culpa é atribuída ao modelo. A causa está quase sempre em uma etapa anterior. Um relatório exportado a partir de um modelo de documento corporativo e processado por um extrator de texto ingênuo vira um fluxo em que o cabeçalho da página interrompe um parágrafo, o conteúdo disposto em duas colunas é lido horizontalmente e uma tabela de resultados se transforma em uma sequência de números sem contexto. Esses trechos são então codificados, recuperados e apresentados ao modelo como fatos: ele lê um absurdo e o reproduz com confiança. Nenhum modelo de embedding, nenhum reranker e nenhum prompt consegue corrigir uma conversão malsucedida em uma etapa anterior da cadeia — esse é o ponto que a maioria dos tutoriais de RAG local deixa de mencionar ao se concentrar na escolha do modelo de linguagem.

O Docling aborda diretamente essa etapa negligenciada. O projeto foi publicado como código aberto pela IBM Research em julho de 2024 sob licença MIT, o que permite uso comercial sem royalties nem copyleft. Rapidamente ultrapassou 10.000 estrelas no GitHub e, no início de 2025, estava entre os repositórios mais seguidos do mundo; no final de setembro de 2026, o repositório oficial contava com mais de 68.000 estrelas e sua última versão estável, a v2.130.0, havia sido publicada em 22 de setembro de 2026.

#O que faz o Docling

Análise de layout

Identifica as áreas de uma página e seu tipo, para que uma legenda não fique colada a um parágrafo e um rodapé não apareça no meio de uma frase.

Ordem de leitura

Reconstitui a sequência que um ser humano seguiria, o que finalmente permite utilizar os documentos em colunas.

Estrutura das tabelas

Identifica linhas, colunas e células mescladas e as exporta como tabelas de verdade, em vez de linhas de texto.

Reconhecimento ótico quando necessário

As páginas digitalizadas sem camada de texto passam pelo OCR em vez de serem ingeridas sem conteúdo.

Compreensão de gráficos

Gráficos de pizza, histogramas e gráficos de linhas podem ser convertidos em tabelas de dados ou em uma descrição textual, em vez de serem simplesmente ignorados.

Um único modelo de documento

Uma representação interna comum, vários formatos de exportação (markdown, HTML, DocTags, JSON sem perda): o restante do processo ignora se a entrada era um PDF ou um arquivo de escritório.

Além do PDF, o Docling suporta DOCX, PPTX, XLSX, HTML, EPUB, imagens (PNG, TIFF, JPEG…), e-mails (EML, MSG) e até áudio (WAV, MP3) por meio de um pipeline de transcrição — o que importa, porque um corpus real nunca é homogêneo. No que diz respeito às integrações, a biblioteca se conecta com poucas linhas de código ao LangChain, LlamaIndex, Crew AI e Haystack, o que evita que você tenha de escrever por conta própria o código de conversão em um pipeline de agentes.

#As tabelas, o verdadeiro motivo para se dar ao trabalho

Em um documento profissional, os números estão quase sempre em tabelas, e é nelas que a extração ingênua falha mais gravemente. Uma linha que se torna «Paris 12 480 3,2» perdeu os títulos das colunas que lhe davam sentido. A busca retorna então um trecho com aparência correta, o modelo inventa a relação entre os valores e a resposta está errada de uma forma difícil de perceber.

O Docling confia essa tarefa a um modelo dedicado, TableFormer, que codifica a estrutura da tabela com um vocabulário especializado chamado OTSL (Optimized Table Structure Language) e lida corretamente com células mescladas e cabeçalhos de múltiplos níveis. De acordo com o artigo de pesquisa que originou esse formato, o OTSL reduz a poucos tokens o que uma representação HTML equivalente expressa com mais de 28 tokens, o que reduz aproximadamente pela metade o comprimento médio da sequência a prever e divide por dois o tempo de inferência em comparação com um modelo que geraria HTML — um detalhe de arquitetura invisível para o usuário final, mas que explica por que o reconhecimento de tabelas do Docling continua utilizável em grandes volumes sem uma GPU dedicada exclusivamente a esse uso. Dois modos estão disponíveis nas opções do pipeline: FAST, mais rápido, mas menos preciso em tabelas complexas, e ACCURATE, recomendado sempre que as tabelas contêm células mescladas ou múltiplos níveis de cabeçalho. Manter a estrutura, mesmo em markdown, preserva o vínculo entre cada valor e seu rótulo. Em um corpus em que as respostas esperadas são números, isso, por si só, justifica um conversor mais pesado do que um simples extrator de texto.

#Motores OCR disponíveis

Docling não inclui um motor OCR único: ele coordena vários motores intercambiáveis de acordo com o tipo de documento. EasyOCR e Tesseract (via tesserocr ou linha de comando) cobrem a maioria dos casos; RapidOCR aceita modelos personalizados; OcrMac usa o reconhecimento nativo do macOS quando disponível. A escolha é feita nas opções do pipeline, não no código da sua aplicação, o que permite trocar o motor sem alterar a lógica de ingestão.

Na prática, um pipeline de ingestão em produção quase sempre começa testando o Tesseract em uma amostra: se ele produz um texto limpo, não há motivo para arcar com o custo do EasyOCR. A mudança para o EasyOCR se justifica principalmente em digitalizações degradadas, formulários parcialmente manuscritos ou idiomas em que o Tesseract falha. O RapidOCR e o OcrMac continuam sendo opções de nicho, reservadas, respectivamente, a um modelo de OCR próprio já treinado e a um computador Mac isolado, sem dependências externas a instalar.

#A divisão em trechos que segue a estrutura

Um ponto que a maioria dos guias de RAG local não explica: o Docling não se limita a converter, ele também propõe uma divisão em trechos adaptada ao que acabou de reconstruir. Seu HybridChunker parte da hierarquia do documento (títulos, seções) e depois ajusta o tamanho de cada trecho com base no tokenizer real do modelo de embedding escolhido: blocos muito longos são divididos nos limites dos elementos, e não no meio de uma frase, e blocos muito curtos que compartilham o mesmo título são fundidos. O tokenizer fornecido deve estar alinhado ao do modelo de embedding usado nas etapas seguintes; caso contrário, o tamanho real dos trechos (em tokens) deixa de corresponder ao que o índice vetorial espera. Trata-se de uma divisão baseada na estrutura, que pode ser comparada à divisão em blocos de caracteres, que ignora os limites das frases: consultar nosso guia sobre estratégias de chunking para entender as vantagens e desvantagens das duas abordagens.

#O custo em recursos computacionais

A consequência prática: convertemos em lotes, uma única vez, e mantemos o resultado. Reindexar só faz sentido se a fonte mudar. E, em uma máquina que também executa um modelo de linguagem, os dois disputam a mesma GPU por meio das opções de aceleração do pipeline: ingerir um corpus enquanto usuários fazem perguntas torna ambos mais lentos.

#Sua posição na cadeia

1. 01
   Converter

   Docling transforma seus arquivos em markdown ou JSON estruturado, mantendo as tabelas intocadas.
2. 02
   Dividir

   Com o HybridChunker, seguindo a estrutura identificada e o tokenizer do modelo de embedding, em vez de dividir a cada mil caracteres. É aqui que o conversor compensa uma segunda vez.
3. 03
   Codificar e armazenar

   Um modelo de embedding local transforma trechos em vetores, armazenados em uma base vetorial como Qdrant.
4. 04
   Responder

   Um modelo local redige a partir dos trechos encontrados, via Ollama ou um servidor de inferência local.

• Armazenar vetores no Qdrant
• Comparar as estratégias de chunking
• Uma aplicação pronta para conversar com seus documentos
• Caso especial: extrair dados de faturas
• Apenas Tesseract: um OCR mais simples para texto limpo
• O kit RAG local QuelLLM: todos os componentes em uma página
• Fonte: repositório oficial Docling no GitHub
• Fonte: opções do pipeline Docling (OCR, TableFormer)
• Fonte: documentação do HybridChunker

#Onde ainda dá problema

Escaneamentos de baixa qualidade

A precisão do OCR em uma fotocópia inclinada é uma limitação física, não de software.

Layouts com muitos elementos gráficos

Revistas, texto que envolve uma figura, formulários: difíceis para todos os conversores.

Escrita à mão

Fora do escopo dessa categoria de ferramentas.

Gráficos complexos

A compreensão de gráficos cobre os casos comuns (pizza, barras, linhas); um gráfico muito específico — mapa, diagrama técnico, esquema de arquitetura — ainda pode ser representado apenas por sua legenda, sem os valores subjacentes.

Custo de entrada

Instalar os modelos de layout, tabelas e OCR representa vários gigabytes de download na primeira execução; em uma máquina isolada sem acesso à rede, é necessário baixá-los previamente.

#FAQ