Docling: превратить сложный PDF в материал для ИИ
Готовим инструкции, таблицы и сканы к поиску по документам: структура, экспорт и проверка результата.
Документ сначала нужно правильно прочитать
Docling — открытый инструмент обработки документов, а не чат-бот. Он преобразует разные форматы в общую структуру, работает с расположением текста, порядком чтения и таблицами; среди вариантов экспорта есть Markdown и JSON. Для отдельных операций используются модели. Код проекта опубликован под MIT, а лицензии конкретных моделей нужно проверять отдельно. Практическая ценность такого слоя — подготовить исходные сведения до передачи поиску или языковому ассистенту.
Источник: Docling: официальный репозиторий, возможности и лицензии
Учебная задача: библиотека сервисных инструкций
Представьте папку инструкций по оборудованию. В ней есть обычные PDF, сканы, листы с двумя колонками и таблицы параметров. Задача первого опыта — получить по одному аккуратному текстовому представлению трёх документов, сохранив оригиналы. Не начинайте со всего архива: выберите короткую инструкцию, страницу со сложной таблицей и скан среднего качества. Такой набор покажет разные виды ошибок и даст понятный объём ручной проверки. Запишите ожидаемые заголовки и значения заранее.
Первый проход: локальный файл в Markdown
Официальная библиотека предоставляет DocumentConverter и экспорт результата в Markdown. Ниже — сокращённый учебный пример для собственной папки. Перед выполнением установите библиотеку по текущему руководству проекта в отдельном окружении. Сначала используйте документ без конфиденциальных данных и просмотрите настройки выбранного конвейера: локальная обработка и обращение к внешнему сервису — разные варианты конфигурации. Сохраните версии пакета и моделей рядом с результатом, чтобы позднее повторить преобразование.
from pathlib import Path
from docling.document_converter import DocumentConverter
result = DocumentConverter().convert("instruction.pdf")
Path("instruction.md").write_text(
result.document.export_to_markdown(), encoding="utf-8"
)Пример показывает интерфейс, а не заявляет о запуске на вашем компьютере. Требования зависят от выбранного конвейера и моделей.
Проверяйте смысл, а не количество символов
Откройте оригинал и экспорт рядом. Проследите путь от заголовка до первого абзаца, затем от строки таблицы к её единицам измерения. Пропущенная подпись иногда опаснее пропущенного предложения: число без привязки к режиму становится неверным параметром. Для каждой ошибки укажите страницу, фрагмент и тип: нарушен порядок, потеряна ячейка, перепутан символ, исчезло примечание. Такой журнал помогает понять, исправлять ли документ, настройку обработки или отдельный результат.
Таблица, которая выдержит проверку
Создайте небольшую контрольную карточку для каждой таблицы. В ней должны быть имена колонок, число строк, два крайних значения и все сноски. Отдельно проверьте объединённые ячейки: при переводе в простой текст их связь легко становится неоднозначной. Если формат экспорта не передаёт важное отношение, храните структурированную версию и изображение страницы вместе. Не заставляйте языковую модель угадывать, к какой колонке относится число: добавьте это соответствие до индексации.
| Контроль | Что сверить с оригиналом |
| Порядок | Заголовок, подпись, основной текст и примечания |
| Числа | Знаки, десятичные разделители и единицы |
| Таблица | Строки, колонки и объединённые ячейки |
| Источник | Имя файла и способ вернуться к нужной странице |
Как передать результат в базу знаний
Для учебного поиска храните три отдельных слоя: оригинальный файл, извлечённое содержимое и поисковые фрагменты. Каждому фрагменту назначьте идентификатор документа и проверяемую ссылку на место в источнике. Деление только по длине может разорвать таблицу или предупреждение; сначала посмотрите, где заканчивается смысловой раздел. После загрузки задайте вопрос, ответ на который известен, и попросите показать источник. Затем спросите то, чего в документе нет: корректная система должна обозначить отсутствие сведений.
Считайте стоимость исправлений
Засеките время полного цикла: подготовка файла, преобразование, просмотр, правки и повторная проверка. Быстрый экспорт с большим числом ручных исправлений может оказаться менее удобным, чем более медленный аккуратный вариант. Для сравнения используйте одинаковый набор страниц и одинаковые критерии. Сохраняйте исходные результаты до редакторских правок: иначе будет трудно отличить качество инструмента от работы проверяющего. Скорость на чужом ускорителе не заменяет измерение на вашем компьютере.
Когда опыт можно считать успешным
Опыт завершён, когда контрольные числа совпадают, таблицы читаются однозначно, а найденный ответ можно связать с оригиналом. Если один тип страниц регулярно ломается, выделите его в отдельную очередь ручной обработки. Не нужно требовать полной автоматизации всего архива сразу. Сначала оформите воспроизводимый маршрут для тех документов, на которых он уже даёт приемлемое качество. Описанный порядок — редакционная методика Cloud NN, а не отчёт о сравнительных испытаниях Docling.
Отметка поможет найти непрочитанное.