Ejemplos prácticos de Docling

Markdown limpio y legible de cualquier PDF digital.

Cuándo usarlo: Cuando necesitas Markdown limpio y legible de un PDF digital o mixto.

CLI

Python

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")
print(result.document.export_to_markdown())

Opciones usadas

• --to md Selecciona la salida en Markdown.

Salida esperada

# Annual Report

## Revenue

| Year | Revenue |
|---|---:|
| 2025 | $12M |
| 2026 | $15M |

Variantes

Error común: Procesar un PDF escaneado y obtener texto vacío. Si el PDF no tiene capa de texto, usa OCR (--ocr-mode full_page).

Documentación oficial · PDF a JSON

La estructura completa de DoclingDocument para pipelines propios.

Cuándo usarlo: Cuando necesitas la estructura sin pérdidas de DoclingDocument, incluidas bounding boxes y metadatos de diseño.

CLI

Python

import json
from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("report.pdf")
print(json.dumps(result.document.export_to_dict(), indent=2))

Opciones usadas

• --to json Exporta la representación JSON sin pérdidas.

Salida esperada

{
  "schema_name": "DoclingDocument",
  "texts": [ ... ],
  "tables": [ ... ]
}

Variantes

Error común: Esperar que el JSON de la CLI y export_to_dict() sean idénticos byte a byte; son representaciones equivalentes del mismo documento.

Documentación oficial · PDF a Markdown

Convierte un documento directamente desde una URL HTTP.

Cuándo usarlo: Cuando el documento está en línea y no quieres descargarlo primero.

CLI

Python

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("https://arxiv.org/pdf/2408.09869")
print(result.document.export_to_markdown())

Salida esperada

## Docling Technical Report

...

Variantes

Error común: Suponer que cualquier URL funciona. La fuente debe ser un formato de documento compatible accesible por HTTP.

Documentación oficial · Formatos compatibles

Recupera texto de páginas que solo son imágenes.

Cuándo usarlo: Cuando las páginas son imágenes y no contienen texto seleccionable.

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = True

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

Opciones usadas

• --ocr-mode full_page Aplica OCR a todas las páginas, incluso con texto.

Salida esperada

Text reconstructed from the scanned page image.

Variantes

Error común: Dejar el OCR activado en PDF digitales desperdicia tiempo. Actívalo solo cuando falte la capa de texto.

Documentación oficial · Comparar motores OCR

Conversión mucho más rápida para PDF digitales.

Cuándo usarlo: Cuando el PDF ya tiene capa de texto y quieres la conversión más rápida.

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_ocr = False

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

Opciones usadas

• --no-ocr Omite por completo la etapa de OCR.

Salida esperada

Markdown produced without running OCR.

Variantes

Error común: Desactivar el OCR en un PDF escaneado da poco o ningún texto.

Documentación oficial · Todos los comandos

Convierte tablas en matrices Markdown o HTML.

Cuándo usarlo: Cuando el documento contiene tablas que quieres como matrices Markdown o HTML.

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_table_structure = True

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

Opciones usadas

• --table-mode accurate Usa TableFormer para tablas complejas con celdas combinadas.

Salida esperada

| Region | Q1 | Q2 |
|---|---:|---:|
| EMEA | 4.2 | 4.8 |

Variantes

Error común: Suponer que toda tabla es perfecta. Las celdas combinadas y las tablas sin bordes pueden requerir revisión; prueba --table-mode accurate.

Documentación oficial · Crear un comando

Captura ecuaciones y bloques de código como LaTeX.

Cuándo usarlo: Para documentos científicos o técnicos con ecuaciones o bloques de código.

CLI

Python

from docling.document_converter import DocumentConverter, PdfFormatOption
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import PdfPipelineOptions

pipeline_options = PdfPipelineOptions()
pipeline_options.do_code_enrichment = True
pipeline_options.do_formula_enrichment = True

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

Opciones usadas

• --enrich-code Detecta bloques de código.
• --enrich-formula Extrae fórmulas LaTeX.

Salida esperada

$$ E = mc^2 $$

Variantes

Error común: Activar el enriquecimiento en documentos sin fórmulas ni código añade tiempo de proceso sin beneficio.

Documentación oficial · Crear un comando

Chunks conscientes de la estructura para una base vectorial.

Cuándo usarlo: Cuando quieres chunks que conserven títulos, tablas y metadatos de página para una base vectorial.

CLI

Python

from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker

converter = DocumentConverter()
result = converter.convert("report.pdf")

chunker = HybridChunker()
for chunk in chunker.chunk(result.document):
    print(chunk.text)

Opciones usadas

• --to chunks Emite salida fragmentada.
• --chunks-type hybrid Usa HybridChunker.

Salida esperada

Chunks split on document structure rather than raw character counts.

Variantes

Error común: Usar un divisor de caracteres ingenuo en lugar de chunking consciente de la estructura, que rompe tablas y títulos.

Documentación oficial · Guía de RAG

Carga documentos analizados en un pipeline de LangChain.

Cuándo usarlo: Cuando cargas documentos analizados en una pipeline de LangChain.

CLI

Python

from langchain_docling import DoclingLoader

loader = DoclingLoader(file_path="report.pdf")
docs = loader.load()
print(docs[0].page_content[:200])

Salida esperada

LangChain Document objects with parsed page content and metadata.

Variantes

Error común: Olvidar instalar el paquete de integración por separado de docling.

Documentación oficial · Receta de LlamaIndex

Crea nodos de LlamaIndex a partir de archivos analizados.

Cuándo usarlo: Cuando construyes nodos de documento de LlamaIndex a partir de archivos analizados.

CLI

Python

from llama_index.readers.docling import DoclingReader

reader = DoclingReader()
documents = reader.load_data(file_path="report.pdf")
print(documents[0].text[:200])

Salida esperada

LlamaIndex documents ready for indexing.

Variantes

Error común: Mezclar versiones de docling y del paquete reader; mantén ambos actualizados.

Documentación oficial · Receta de LangChain