DoclingNotre focus
Compréhension documentaire avec TableFormer, OCR interchangeable, JSON DoclingDocument et licence MIT locale. Plus lent que les extracteurs purs, installation lourde (~500 Mo de modèles). Installation →
Comparatif
Docling vs alternatives
Pas de vainqueur universel : seulement le bon choix pour vos documents, votre matériel, votre licence et votre stack RAG. TL;DR ci-dessous, preuves dans la matrice.
Vérifié avec Docling v2.129.0 · Dernière vérification 2026-09-22 · Indépendant, aucun placement payé.
TL;DR
PDF mixtes pour RAG local → Docling. Articles, maths et CJK sur GPU → MinerU. ETL multiformat → Unstructured. Millions de PDF propres à vitesse max → PyMuPDF (+ pdfplumber pour tableaux à grille). Livres et prose scannée → Marker. Parsing managé sans infra → LlamaParse. Nuances ci-dessous.
1
Verdicts
Qui devrait choisir quoi ?
Unstructured
Couverture la plus large (60+ formats) avec partition + chunk_by_title et API payante. La qualité hi_res coûte setup et GPU ; le meilleur migre vers les offres commerciales.
PyMuPDF / pdfplumber
Extraction la plus rapide (~0,01 s/page) et tableaux à grille précis. Ni modèle de mise en page, ni OCR, AGPL pour PyMuPDF : sortie vide et silencieuse face aux scans.
Marker
Superbe Markdown pour livres/articles avec Surya 2 + maths LaTeX. Marker 2 tourne en CPU en mode fast, au mieux sur GPU ; code Apache-2.0 avec plafond sur les poids ; faible sur tableaux sans bordures.
MinerU
SOTA mise en page avec DocLayout-YOLO, formules LaTeX UniMERNet et meilleur CJK. GPU exigé, installation lourde, licence Apache à seuils commerciaux : le choix pour articles et maths.
2
Aide au choix
Trois questions, une recommandation
Répondez à trois questions, obtenez un point de départ. Puis confirmez-le dans la matrice.
Choisissez ci-dessus : votre recommandation motivée apparaîtra ici.
3
Matrice
La matrice comparative complète
Groupée par vraies questions d'achat. ? affiche les définitions ; chaque nom d'outil lie vers sa doc officielle. Filtre et interrupteur de différences pour couper le bruit.
| Capacité | Docling | Unstructured | PyMuPDF / pdfplumber | Marker | MinerU |
|---|---|---|---|---|---|
| Compréhension du documentL'outil reconstruit-il ordre, mise en page et tableaux, ou se contente-t-il de vider le texte. | |||||
| Mise en page et ordre de lecture ? | Yes | Partial (hi_res) | No | Yes | Yes (DocLayout-YOLO) |
| Structure des tableaux ? | Yes (TableFormer) | Partial / paid tiers | Basic grid | Yes | Yes (TableMaster + merge) |
| Formules et maths ? | Enrichment pass | Partial | No | Yes (Surya 2) | Best (UniMERNet LaTeX) |
| Mises en page multicolonnes ? | Yes | Partial | No | Best-in-class | Yes |
| Filtrage en-têtes/pieds ? | Yes | Yes | Manual | Partial | Yes (auto) |
| Extraction de texte et OCRLes PDF numériques exigent la vitesse ; les scans exigent l'OCR. Aucun moteur ne gagne partout. | |||||
| Vitesse sur texte natif ? | Medium (~0.3–3 s/pg) | Fast / hi_res medium | Fastest (~0.01 s/pg) | Fast (CPU ok) | Slow (GPU-bound) |
| OCR des scans ? | Yes (pluggable) | Yes | No (needs Tesseract) | Yes (Surya 2) | Yes (PaddleOCR) |
| Choix du moteur OCR ? | 6+ engines | Tesseract / Paddle | External only | Built-in (Surya 2) | Built-in (PP-OCRv6) |
| CJK et écritures complexes ? | Good | Good | Basic | Good | Best-in-class |
| Entrées et sortiesCe qui entre (formats) et ce qui sort pour les LLM (Markdown, JSON, chunks). | |||||
| Formats d'entrée ? | 20+ formats | 60+ formats | PDF-centric | PDF + books | PDF + Office + EPUB |
| Sortie Markdown ? | Yes | Yes | Via pymupdf4llm | Yes | Yes |
| JSON structuré ? | Yes (DoclingDocument) | Yes (Elements) | No | Partial | Yes (content list) |
| Structure prête à découper ? | Yes | Yes (chunk_by_title) | No | Yes (--output chunks) | Partial |
| Déploiement et exploitationOù ça tourne, quel matériel il faut et combien coûte l'exploitation. | |||||
| Exécution locale / hors ligne ? | Yes | Partial (API push) | Yes | Yes | Yes |
| Besoins matériels ? | CPU ok, GPU faster | CPU ok, GPU for hi_res | CPU only | CPU ok, GPU for best | GPU needed (4–8 GB) |
| Poids d'installation ? | ~500 MB models | Heavy (Detectron2) | Light (~20 MB) | Medium–heavy | Heavy |
| Licence ? | MIT | Apache 2.0 + commercial | PyMuPDF: AGPL / pdfplumber: MIT | Apache-2.0 + weight cap | Apache-based + thresholds |
| Adéquation IA / RAGConnecteurs, agents et entrées multimodales pour un RAG de production. | |||||
| Intégrations RAG ? | Yes | Yes | No | Partial | Partial |
| Serveur d'agents / MCP ? | Yes | No | No | No | No |
| Audio / vidéo (ASR) ? | Yes | No | No | No | No |
| Option API cloud ? | Self-host | Yes (paid) | No | Yes (Datalab API) | No (opt-in remote) |
| Coût et confiancePrix par page, gouvernance et comment vérifier chaque affirmation. | |||||
| Coût auto-hébergé ? | Free (MIT) | Free OSS / paid API | Free / licence terms apply | Free within weight cap | Free within thresholds |
| Gouvernance ? | Linux Foundation AI | Unstructured.io | MuPDF / community | Datalab | OpenDataLab / SAI Lab |
| Idéal pour ? | Accurate local RAG | Multi-format ETL | Fast text extract | Books & papers | Papers, math & CJK |
Orientation, pas benchmark. Les chiffres de précision viennent d'études indépendantes de 200–500 PDF (voir Méthode). Revérifiez toujours dans les docs officielles ; les versions bougent vite.
4
Duels
En face à face, honnêtement
Où Docling gagne, où il perd, et le moment exact de changer.
Docling vs Unstructured
Doc officielleRègle : RAG local depuis des PDF → Docling. ETL hétérogène (SharePoint, S3, 60+ formats) → Unstructured.
Forces (Unstructured)
- 60+ formats d'entrée et connecteurs cloud
- chunk_by_title pour un découpage structurel
- API managée avec orchestration
Limites
- hi_res exige Detectron2/GPU et du setup
- Le meilleur migre vers les offres payantes
- L'OSS local rend moins que l'API
Verdict : RAG PDF-first entre vos mains ? Docling. Zoo de formats en mode managé ? Unstructured, avec budget API.
Docling vs PyMuPDF / pdfplumber
Doc officielleRègle : PDF numériques propres connus, en masse → PyMuPDF. Tout le reste → mettez Docling devant.
Forces (PyMuPDF)
- ~0,01 s/page : 10–50× plus rapide que les pipelines ML
- Installation minimale, tourne partout
- pdfplumber excelle sur tableaux à grille
Limites
- Ni modèle de mise en page ni ordre de lecture
- Pas d'OCR : sortie vide face aux scans
- Attention aux termes AGPL de PyMuPDF
Verdict : La vitesse prime et les PDF sont propres ? PyMuPDF. Dès que tableaux, colonnes ou scans apparaissent, Docling vaut l'effort.
Docling vs Marker
Dépôt officielRègle : Tableaux d'affaires en CPU local → Docling. Livres et prose scannée, en CPU ou GPU → Marker 2.
Forces (Marker)
- Meilleur ordre de lecture en multicolonne
- OCR Surya 2 + maths LaTeX
- Markdown propre pour les livres ; le mode fast tourne en CPU
Limites
- La meilleure qualité veut toujours un GPU (mode balanced)
- Installation moyenne-lourde
- Code Apache-2.0 mais poids plafonnés (~5 M$) ; faible sur tableaux sans bordures
Verdict : Les benchmarks indépendants de 200 PDF voient Docling devant sur les tableaux (TEDS ~0,89 vs ~0,81) et Marker sur l'ordre de lecture. Le cas d'usage tranche.
Docling vs MinerU
Doc officielleRègle : Tableaux d'affaires en CPU local → Docling. Articles, maths et CJK sur GPU → MinerU.
Forces (MinerU)
- SOTA mise en page (97,5 mAP annoncé) avec DocLayout-YOLO
- Formules LaTeX UniMERNet ; fusion de tableaux entre pages
- Meilleur CJK
Limites
- GPU exigé (4–8 Go VRAM) ; pipeline lent par page
- Installation lourde ; tableaux en HTML
- Licence Apache à seuils commerciaux + devoirs d'attribution
Verdict : MinerU mène sur mise en page et formules, Docling sur le modèle typé, le CPU et la licence simple. Routez par corpus : articles vers MinerU, affaires vers Docling.
Docling vs MarkItDown
Doc officielleRègle : PDF numériques simples + mix Office en env contraint → MarkItDown. Structure, tableaux ou OCR → Docling.
Forces (MarkItDown)
- MIT, ~80 Mo, moins d'une seconde par document
- Couverture énorme (Office, HTML, audio, EPUB)
- Backend OCR Azure Document Intelligence en option
Limites
- Cœur pdfminer : ni modèle de mise en page, tableaux cassés
- Colonnes entremêlées ; pas d'OCR par défaut
- L'OCR exige un plugin LLM ou des pages Azure payantes
Verdict : Gardez MarkItDown pour la voie Office/rapide : c'est un convertisseur, pas un remplaçant de compréhension documentaire.
Docling vs LlamaParse
Doc DoclingRègle : Stack LlamaIndex, docs non sensibles, volume modéré → LlamaParse. Confidentiel, hors ligne ou gros volume → auto-hébergez Docling.
Forces (LlamaParse)
- Paliers (Fast à Agentic Plus) avec épinglage de version
- Forte précision sur mises en page coriaces ; free tier généreux
- Zéro infra ; intégration LlamaIndex native
Limites
- Facturation par page (~$0,003–0,01) ; échelle linéaire
- Les données quittent la maison ; code fermé
- Migration SDK en cours ; pas de transparence bench
Verdict : Payez le confort, pas l'exclusivité : les benchmarks 2026 montrent des petits parseurs VLM ouverts au niveau avec un GPU. Mistral OCR, Reducto, Extend et les API hyperscaler (Azure, Textract, Google) jouent la même ligue managée : comparez coût par page, sortie des données et lock-in.
5
Code
Même tâche, quatre outils
PDF → Markdown dans chaque outil. Copiez, exécutez, sentez la différence de setup et de sortie.
Docling (CLI)
docling convert rapport.pdf --to md --ocr-engine rapidocrPipeline local avec mise en page + tableaux + OCR en une commande.
Unstructured (Python)
from unstructured.partition.pdf import partition_pdf
elements = partition_pdf('rapport.pdf', strategy='hi_res')hi_res exige des modèles de mise en page ; la stratégie fast rend bien moins.
PyMuPDF (Python)
import fitz
doc = fitz.open('rapport.pdf')
text = '\n'.join(p.get_text() for p in doc)Ultra-rapide, mais sortie vide et silencieuse sur pages scannées.
Marker (CLI)
marker_single rapport.pdf --output_dir out/Marker 2 tourne en CPU en mode fast ; la meilleure qualité sur GPU.
MinerU (CLI)
mineru -p rapport.pdf -o ./outGPU exigé ; les tableaux sortent en HTML, les formules en LaTeX.
MarkItDown (CLI)
markitdown rapport.pdf -o rapport.mdUltra-rapide et minuscule, mais sans modèle de mise en page et sans OCR par défaut.
6
Méthode
Comment cette page est construite
Sources : documentations officielles (Docling, Unstructured, PyMuPDF, dépôt Marker) plus benchmarks indépendants – comparatif 200 PDF (TEDS tableaux, ordre de lecture) et étude entreprise 500 PDF (tableaux, colonnes, OCR, vitesse). Points clés : Docling mène sur les tableaux (~97,9 % / TEDS ~0,89), Marker sur l'ordre de lecture et la vitesse GPU, PyMuPDF sur la vitesse brute.
Règles d'honnêteté : aucun placement payé, forces rivales nommées, version (Docling v2.129.0, vérifié 2026-09-22) visible en haut. Corrections via GitHub, revérifiées aux sources officielles.
Licences revérifiées en 2026 : le code de Marker 2 est Apache-2.0 (poids plafonnés), MinerU utilise une licence Apache à seuils commerciaux.
7
FAQ
Questions fréquentes
Quel outil est le plus rapide ?
PyMuPDF avec ~0,01 s/page sur PDF numériques : 10–50× plus rapide que les pipelines ML. Valable seulement pour couches texte propres ; les scans exigent l'OCR.
Le plus précis sur les tableaux ?
Docling (TableFormer, ~97,9 % en études) pour tableaux d'affaires ; les API cloud font parfois mieux, contre coût courant et sortie des données.
Peut-on travailler totalement hors ligne ?
Oui : Docling, PyMuPDF/pdfplumber et Marker tournent en local. Le meilleur d'Unstructured vit dans son API cloud.
Quelle licence est sûre pour du SaaS ?
Docling (MIT) est la plus simple. PyMuPDF (AGPL) et Marker (GPL v3) exigent une revue juridique ; Unstructured mélange Apache 2.0 et commercial.
Que faire des PDF scannés ?
Docling avec OCR interchangeable (ex. RapidOCR sur CPU) ou Marker/Surya sur GPU. PyMuPDF seul renvoie des chaînes vides.
Faut-il combiner les outils ?
Oui, c'est courant : PyMuPDF pour pages numériques rapides, Docling pour pages à tableaux, cloud pour les cas durs. Router par qualité de page bat la pensée outil unique.
Est-ce encore valable demain ?
Les versions bougent vite (voir état en haut). Avant toute décision d'architecture, relisez docs officielles et release notes.
Où se placent MinerU et LlamaParse ?
MinerU pour les articles chargés en formules/CJK sur GPU ; LlamaParse pour du parsing managé LlamaIndex quand le coût par page bat l'opération des modèles. Les deux perdent face à Docling sur le CPU et la simplicité de licence.