Extraire le texte d un document est la moitie facile, et tous les convertisseurs en ligne le font. Docling est un outil d analyse de documents qui part de l autre bout: lire la mise en page d abord, pour qu un tableau reste un tableau.

Docling tourne sur la machine et accepte PDF, Word, PowerPoint, Excel, pages web, scans et meme enregistrements, defait le contenu en texte structure et exporte en Markdown, HTML ou JSON sans perte. Le projet est ne dans une equipe d IBM Research et il est aujourd hui porte par la fondation LF AI & Data sous licence MIT. La version 2.150, sortie le 10 novembre 2026, ajoute les rapports financiers iXBRL aux formats d entree.

La mise en page d abord, les caracteres ensuite

La plupart des convertisseurs prennent la route de l extraction: tirer le flux de texte du PDF dans l ordre et le recoller en paragraphes. Docling fait l inverse. Un modele de mise en page decide quelles regions une page porte, en tete, pied, paragraphe, liste, bloc de code, tableau, image ou formule, ou tombent leurs frontieres, et range ensuite l ordre de lecture.

Un article sur deux colonnes montre le mieux la difference. Balayer par coordonnees de haut en bas entremelle les phrases des colonnes gauche et droite; trie par ordre de lecture, la gauche se termine avant que la droite commence et les phrases se suivent. Cet ordre est ecrit dans un modele de document unifie, si bien que l export vers Markdown le recopie au lieu de le deviner encore.

Les scans suivent un autre chemin. Quand une page n est qu image, il n y a pas de flux a tirer, donc la reconnaissance prend le relais. Docling demande d abord si la page porte une couche de texte utilisable et ne lance l OCR que sinon. Le moteur de reconnaissance se remplace, et un modele visuel peut lire la mise en page. Les modeles se telechargent une fois et tournent ensuite en local.

Un tableau entre, un tableau sort

Les tableaux sont l endroit ou la conversion de PDF echoue le plus souvent. Aplatir une grille en une ligne de chiffres fait perdre leur sens a la recherche comme a la lecture. Docling retrouve les frontieres des cellules avec un modele de structure, garde lignes, colonnes et en-tetes a plusieurs niveaux, et ne perd pas les cellules fusionnees sur plusieurs lignes ou colonnes. La legende d un tableau ne derive pas dans le corps du texte, elle voyage avec son tableau.

Les formules suivent la meme regle. Celles du fil du texte et celles posees a part sont reconnues en LaTeX, et non en suite de glyphes decales. Les images sont extraites seules, avec leurs coordonnees sur la page, la legende d origine et une classe de contenu indiquant s il s agit d une courbe, d un camembert ou d une photographie.

Ce que change la version 2.150

Novembre est dense, plusieurs versions sont sorties entre le 3 et le 10, et les changements portent sur les entrees et sur le pilotage de l extraction. Le XBRL a balises integrees des rapports financiers ne se lisait que comme une page web, en perdant les faits comptables contenus dans les balises; la 2.150 le lit directement et peut resoudre des taxonomies depuis une adresse distante. Les images integrees a un PDF s ouvrent desormais a la demande au lieu d etre ecrites par defaut, ce qui supprime une serie d ecritures inutiles. La ligne de commande a ete reorganisee pour lire un dossier en lot, et plusieurs formats de sortie se nomment d un coup.

Le hors ligne est la premisse, pas un supplement

Docling ne sort pas sur le reseau par defaut. Les modeles sont mis en cache localement apres le premier telechargement, puis la conversion se fait hors ligne, sans envoi, sans compte et sans interface distante. Pour qui traite contrats, rapports financiers ou dossiers medicaux, cette regle decide souvent de la possibilite meme d utiliser l outil, car un fichier qui ne quitte pas la machine n a pas besoin d explication pour la conformite.

La meme chaine se pose a plusieurs endroits. Une fois qu elle tourne en local, le meme modele de document et la meme configuration passent dans un service du reseau interne, presque sans changer le code appelant, et l hebergement commercial se situe au dessus. Pour un particulier ou une petite equipe, les deux premiers niveaux suffisent.

A quoi cela se raccorde ensuite

Les sorties sont plus larges que les entrees. La structure part en JSON, la lecture humaine en Markdown, HTML ou texte brut, et la recherche recoit des morceaux decoupes le long des chapitres et aux frontieres des tableaux, plutot qu a un nombre fixe de caracteres. Chaque morceau porte son numero de page et ses coordonnees, si bien qu une reponse peut renvoyer a un endroit du document.

Un serveur MCP existe aussi, qui permet a un agent de traiter la lecture d un document comme un appel d outil type, au lieu de jeter des octets de PDF a un modele pour qu il devine. Des cadres comme LangChain et LlamaIndex ont des raccordements tout faits.

Ce qu il accepte est plus varie qu on ne croit. Au dela d une serie de formats Office et d EPUB, le courriel, les calendriers et les fichiers de sous-titres figurent sur la liste, et enregistrements comme videos rejoignent le meme modele de document, si bien qu une transcription se fait une fois et se lit ensuite par la meme structure.

Transformer un PDF en texte, n importe quel outil en ligne le fait. Docling merite sa place par l autre moitie: les tableaux restent des tableaux, les formules restent du LaTeX, les legendes suivent leur image, et deux colonnes ne se lisent pas en travers. Garder ces structures pendant la conversion evite de les deviner encore pour la recherche, pour la base de connaissances et pour l entree du modele.