Docling-OCR-Engines

Digitale (Text-)PDFs brauchen oft gar kein OCR — erst --no-ocr für Maximaltempo probieren und nur für gescannte Seiten eine Engine ergänzen.

OCR ist standardmäßig an (--ocr). Drei Flags steuern, wo es läuft und welche Engine es ausführt. Python-Entsprechung: PdfPipelineOptions().do_ocr = True plus eine der RapidOcrOptions / EasyOcrOptions / TesseractOcrOptions / TesseractCliOcrOptions / OcrMacOptions / NemotronOcrOptions mit mode=OcrMode.FULL_PAGE für Vollseiten-Verhalten. Mit --debug-visualize-ocr debuggen, was OCR sieht.

Tesseract-Systembinärdatei je BS: Vollständige Schritte je BS in der Installationsübersicht und den OS-Anleitungen. OCR-Modelle für Offline- oder CI-Rechner vorab laden: docling-tools models download --all oder gezielt --easyocr-lang de / --rapidocr-backend-lang onnxruntime:el. Siehe die CLI-Referenz.

Windows: UB-Mannheim-Build installieren, zu PATH hinzufügen und TESSDATA_PREFIX auf dessen tessdata\-Ordner setzen. Scheitert tesserocr beim Bauen: pip uninstall tesserocr, dann pip install --no-binary :all: tesserocr.

RapidOCR kapselt PP-OCR-Modelle. Zwei Dinge variieren unabhängig: das Backend (Runtime) und die PP-OCR-Version (Modellgeneration).

Sprach-Tokens (native Codes): v4: arabic, ch, chinese_cht, cyrillic, devanagari, en, japan, ka, korean, latin, ta, te. v5: arabic, ch, cyrillic, devanagari, el, en, eslav, korean, latin, ta, te, th. v6: ch, chinese_cht, en, japan + ca. 45 europäische Codes (de, fr, es, it, pt, nl, pl …) mit Aliasen zh→ch, zh_cn→ch, zh_tw→chinese_cht, ja/jp→japan, ko→korean (Achtung: Koreanisch existiert in v6 nur als Alias). de/german und fr/french existieren jeweils doppelt.

Schriftfamilien (ein Token deckt viele Sprachen ab): cyrillic (34: Russisch, Ukrainisch, Kasachisch … + Englisch), devanagari (14: Hindi, Marathi, Sanskrit … + Englisch), arabic (9: Arabisch, Persisch, Urdu … + Englisch), eslav (Ostslawisch: Russisch, Belarussisch, Ukrainisch + Englisch).

Eine Sprache pro Durchlauf: RapidOCR nutzt den ersten lang-Eintrag und warnt vor dem Rest. Python: RapidOcrOptions(lang=["eslav"], backend="onnxruntime"); eigene Checkpoints werden unterstützt (siehe Custom-Models-Beispiel).

EasyOCR (Gen2-Checkpoints, craft_mlt_25k.pth-Detektor) nimmt mehrere Sprachen zugleich — doch die Auflösung wählt den einen Checkpoint, der alle gewünschten Sprachen deckt. Eine unnötige Sprache stuft das Modell still herab: ["en"] wählt das genaue english_g2.pth, während ["en","de"] auf das breitere latin_g2.pth zurückfällt.

• Zwei Geschmacksrichtungen, eine Engine: tesseract ruft die System-CLI auf (kein pip-Extra); tesserocr bindet die Bibliothek in-process ein (schneller, braucht das kompilierte Binding). Gleiche Genauigkeit, gleiche traineddata.
• Sprache = traineddata-Stamm: deu, chi_sim, chi_tra, srp_latn, aze_cyrl, deu_latf, frk, jpn_vert, script/Latin, script/Cyrillic — plus jede selbst trainierte Datei. Was an .traineddata-Dateien installiert ist, ist nutzbar.
• Prüfung zur Bauzeit: Fehlende Dateien scheitern sofort mit dem installierten Satz in der Fehlermeldung — nicht mitten in der Umwandlung.
• Leere lang = Skripterkennung: --ocr-lang "" startet Orientierungs-/Skripterkennung je Seite, die die osd-traineddata braucht.
• Automatische Spracherkennung zeigt das offizielle Beispiel.

OcrMac ist ein dünner Wrapper um Apples Vision-Framework: keine Binärdateien, keine ladbaren Modelle — die Erkenner sind Teil des OS, daher ist der Sprachumfang eine Eigenschaft der eigenen macOS-Version, nicht des ocrmac-Releases.

• Installieren: pip install "docling[ocrmac]"; Python: OcrMacOptions.
• Abgleich per BCP-47 mit Regionen: iso:de findet de-DE, iso:pt findet pt-BR, iso:zh-CN findet zh-Hans.
• Kuriose Regionscodes wie vi-VT müssen nativ (ohne Präfix) übergeben werden. Leere lang lässt Vision automatisch wählen.

Braucht Linux x86_64 mit CUDA 13.x und den cu130-torch-Index (Installationszeile in Abschnitt 4). Eine Sprache pro Durchlauf (erster Eintrag gewinnt). Python: NemotronOcrOptions.

• KServe v2: Für Teams, deren OCR als Remote-Microservice läuft. lang wird weder geprüft noch gemappt — der erste Eintrag geht wörtlich raus, der Rest wird mit Warnung verworfen. Die Codes der eigenen Bereitstellung nutzen; iso: geht nur, falls der Server es spricht (keiner tut es).
• OnnxTR-Plugin: pip install "docling-ocr-onnxtr[cpu]", --allow-external-plugins aktivieren, mit dem Engine-Namen des Plugins wählen. Siehe das docling-OCR-OnnxTR-Repo.
• SuryaOCR mit eigenen Modellen zeigt das offizielle Beispiel; Drittanbieter-Optionen mit --show-external-plugins listen.

Jede Engine nimmt Sprachen über ein Feld, OcrOptions.lang. Jeder Eintrag hat genau zwei Formen:

Nativer Code (ohne Präfix) — die engine-eigene Schreibweise, wörtlich durchgereicht: ch (PP-OCR-Chinesisch), deu (Tesseract-Deutsch), ch_sim (EasyOCR), en-US (Vision).

Portabler Tag — BCP-47 hinter iso:, auf die Engine gemappt: iso:de, iso:en-US, iso:zh-Hant. Das Skript immer angeben, wenn es nicht Standard ist: Serbisch-Latein muss iso:sr-Latn sein (Standard-Serbisch ist Kyrillisch).

Jede Engine meldet, was sie kann: supported_ocr_languages() liefert native + BCP-47-Codes in einer Schreibweise, die sich direkt in lang einfügen lässt. Docling ersetzt nie still — eine nicht bedienbare Sprache wirft einen Fehler und nennt, was die Engine kann. RapidOCR und Nemotron laufen eine Sprache zur Zeit (erster Tag gewinnt, Rest warnt).

from docling.datamodel.pipeline_options import TesseractCliOcrOptions
TesseractCliOcrOptions(lang=["deu", "eng"])       # nativ: tesseract -l deu+eng
TesseractCliOcrOptions(lang=["iso:de", "iso:en"]) # portabel: dasselbe

Was eine leere Sprachliste je Engine bedeutet — und Codes, die einen Sprach-Tag überschatten (nackt = das Modell; iso: = die Sprache):

• RapidOCR auf CUDA: GPU-ONNX-Runtime installieren — pip install "docling[onnxruntime]" — prüfen, dass CUDAExecutionProvider in ort.get_available_providers() steht, dann onnxruntime-Backend mit CUDA-Gerät nutzen. Das torch-Backend ist die Alternative (Achtung: PP-OCRv5 + torch = nur Chinesisch).
• Nemotron ist konstruktionsbedingt GPU-only (CUDA 13.x, Linux x86_64).
• EasyOCR / Tesseract / OcrMac sind praktisch CPU-gebunden — auf eine schnelle CPU setzen und GPU-Budget lieber in Layout-/Tabellenstufen stecken. Feintuning (Batch-Größen, VLM-Server) steht in der offiziellen GPU-Anleitung.

import onnxruntime as ort
assert "CUDAExecutionProvider" in ort.get_available_providers()

from docling.datamodel.accelerator_options import AcceleratorDevice, AcceleratorOptions
from docling.datamodel.pipeline_options import PdfPipelineOptions, RapidOcrOptions
pipeline_options = PdfPipelineOptions(
    accelerator_options=AcceleratorOptions(device=AcceleratorDevice.CUDA),
    ocr_options=RapidOcrOptions(backend="onnxruntime", lang=["eslav"]),
)

Gescanntes PDF, Vollseiten-OCR. Engine explizit wählen. OCR für digitale PDFs überspringen (schnellste). OCR auf Deutsch + Englisch, portable Tags:

Mehr ausgearbeitete Beispiele: Vollseiten-OCR erzwingen, Tesseract-Spracherkennung, RapidOCR-eigene-Modelle, lokale Beispielbibliothek und der Konfigurator.

from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import (
    OcrMode, PdfPipelineOptions, RapidOcrOptions,
)
from docling.document_converter import DocumentConverter, PdfFormatOption

pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True
pipeline_options.ocr_options = RapidOcrOptions(mode=OcrMode.FULL_PAGE)
# Je nach Bedarf EasyOcrOptions / TesseractOcrOptions / TesseractCliOcrOptions
# / OcrMacOptions (macOS) / NemotronOcrOptions (Linux CUDA) einsetzen.

converter = DocumentConverter(
    format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
)
doc = converter.convert("scan.pdf").document
print(doc.export_to_markdown())

• Gescannter Text wird nicht erkannt — OCR ist aus oder der Standardmodus hat die fehlende Textebene übersehen: --ocr-mode full_page erzwingen, andere Engine probieren. Siehe OCR: gescanntes PDF.
• OCR-Extra installiert nicht — RapidOCR/EasyOCR sind nur pip; Tesseract braucht zuerst Systembinärdatei + TESSDATA_PREFIX. Siehe OCR-Paket-Installationsfehler.
• Umwandlung ist langsam — OCR- + Anreicherungsmodelle sind die teuersten CPU-Stufen: --no-ocr für digitale PDFs, --table-mode fast oder eine GPU. Siehe Umwandlung ist langsam.
• GPU ignoriert — torch.cuda.is_available() / CUDAExecutionProvider bestätigen, --device cuda nutzen (mps auf Apple Silicon). Siehe GPU wird nicht genutzt.
• Falsche Sprachausgabe — Shadowing prüfen (ka vs. iso:ka-Geor), EasyOCR-Listen kurz halten, mit supported_ocr_languages() verifizieren.

Verifiziert mit Docling v2.129.0 · Zuletzt geprüft 2026-09-22 · Offizielle Quelle