Moteurs OCR de Docling

Les PDF numériques (texte) n'ont souvent pas besoin d'OCR — essayez d'abord --no-ocr pour une vitesse maximale, et n'ajoutez un moteur que pour les pages scannées.

L'OCR est activé par défaut (--ocr). Trois flags contrôlent où il tourne et quel moteur l'exécute. Équivalent Python : PdfPipelineOptions().do_ocr = True plus l'un de RapidOcrOptions / EasyOcrOptions / TesseractOcrOptions / TesseractCliOcrOptions / OcrMacOptions / NemotronOcrOptions avec mode=OcrMode.FULL_PAGE pour la pleine page. Déboguez ce que voit l'OCR avec --debug-visualize-ocr.

Binaire Tesseract selon l'OS. Étapes complètes par OS dans l'aperçu d'installation et les guides OS. Pré-téléchargez les modèles OCR pour machines hors ligne ou CI : docling-tools models download --all, ou ciblés --easyocr-lang de / --rapidocr-backend-lang onnxruntime:el. Voir la référence CLI.

Windows : installez le build UB Mannheim, ajoutez-le au PATH et pointez TESSDATA_PREFIX vers son dossier tessdata\. Si tesserocr ne compile pas : pip uninstall tesserocr puis pip install --no-binary :all: tesserocr.

RapidOCR enveloppe des modèles PP-OCR. Deux choses varient indépendamment : le backend (runtime) et la version PP-OCR (génération du modèle).

Tokens de langue (codes natifs) : 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 + ~45 codes européens (de, fr, es, it, pt, nl, pl …) avec alias zh→ch, zh_cn→ch, zh_tw→chinese_cht, ja/jp→japan, ko→korean (attention : le coréen n'existe en v6 qu'en alias). de/german et fr/french existent en double.

Familles d'écriture (un token couvre beaucoup de langues) : cyrillic (34 : russe, ukrainien, kazakh … + anglais), devanagari (14 : hindi, marathi, sanskrit … + anglais), arabic (9 : arabe, persan, ourdou … + anglais), eslav (slave oriental : russe, biélorusse, ukrainien + anglais).

Une langue par passe : RapidOCR utilise la première entrée de lang et avertit pour le reste. Python : RapidOcrOptions(lang=["eslav"], backend="onnxruntime") ; checkpoints propres supportés (voir l'exemple de modèles propres).

EasyOCR (checkpoints gen2, détecteur craft_mlt_25k.pth) accepte plusieurs langues à la fois — mais la résolution choisit l'unique checkpoint couvrant toutes les langues demandées. Une langue inutile dégrade le modèle en silence : ["en"] sélectionne le précis english_g2.pth, tandis que ["en","de"] retombe sur le générique latin_g2.pth.

• Deux saveurs, un moteur : tesseract appelle la CLI système (aucun extra pip) ; tesserocr lie la bibliothèque en processus (plus rapide, exige le binding compilé). Même précision, même traineddata.
• Langue = stem traineddata : deu, chi_sim, chi_tra, srp_latn, aze_cyrl, deu_latf, frk, jpn_vert, script/Latin, script/Cyrillic — plus tout fichier entraîné maison. Ce qui est installé en .traineddata est utilisable.
• Vérification à la construction : les fichiers manquants échouent aussitôt avec le jeu installé dans le message — pas en pleine conversion.
• lang vide = détection d'écriture : --ocr-lang "" lance la détection orientation/écriture par page, qui exige la traineddata osd.
• Détection auto de langue dans l'exemple officiel.

OcrMac est une fine enveloppe autour d'Apple Vision : ni binaires ni modèles téléchargeables — les reconnaisseurs font partie de l'OS, donc la couverture est une propriété de votre version de macOS, pas du release ocrmac.

• Installation : pip install "docling[ocrmac]" ; Python : OcrMacOptions.
• Correspondance en BCP-47 avec régions : iso:de trouve de-DE, iso:pt trouve pt-BR, iso:zh-CN trouve zh-Hans.
• Les codes de région bizarres comme vi-VT doivent passer natifs (sans préfixe). lang vide laisse Vision choisir.

Exige Linux x86_64 avec CUDA 13.x et l'index torch cu130 (ligne d'installation en section 4). Une langue par passe (la première entrée gagne). Python : NemotronOcrOptions.

• KServe v2 : pour les équipes dont l'OCR tourne en microservice distant. lang n'est ni validé ni mappé — la première entrée part telle quelle, le reste est écarté avec avertissement. Utilisez les codes de votre déploiement ; iso: ne vaut que si le serveur le parle (aucun ne le fait).
• Plugin OnnxTR : pip install "docling-ocr-onnxtr[cpu]", activez --allow-external-plugins et choisissez par le nom du plugin. Voir le dépôt docling-OCR-OnnxTR.
• SuryaOCR avec modèles propres dans l'exemple officiel ; listez les options tierces avec --show-external-plugins.

Chaque moteur prend les langues via un champ unique, OcrOptions.lang. Chaque entrée a exactement deux formes :

Code natif (sans préfixe) — la graphie propre du moteur, transmise telle quelle : ch (chinois PP-OCR), deu (allemand Tesseract), ch_sim (EasyOCR), en-US (Vision).

Étiquette portable — BCP-47 derrière iso:, mappée sur le moteur : iso:de, iso:en-US, iso:zh-Hant. Incluez toujours l'écriture quand elle n'est pas celle par défaut : le serbe latin doit être iso:sr-Latn (le serbe par défaut est cyrillique).

Chaque moteur déclare ce qu'il sert : supported_ocr_languages() renvoie codes natifs + BCP-47 dans une graphie recopiable dans lang. Docling ne substitue jamais en silence — une langue non servie lève une erreur nommant ce que le moteur peut servir. RapidOCR et Nemotron tournent une langue à la fois (premier tag gagnant, reste averti).

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

Ce que signifie une liste vide selon le moteur — et les codes qui éclipsent une étiquette (nu = le modèle ; iso: = la langue) :

• RapidOCR sur CUDA : installez l'ONNX Runtime GPU — pip install "docling[onnxruntime]" — vérifiez que CUDAExecutionProvider figure dans ort.get_available_providers(), puis utilisez le backend onnxruntime avec périphérique CUDA. Le backend torch est l'alternative (attention : PP-OCRv5 + torch = chinois seul).
• Nemotron est GPU-only par conception (CUDA 13.x, Linux x86_64).
• EasyOCR / Tesseract / OcrMac sont en pratique CPU-bound — mettez un CPU rapide et dépensez le budget GPU plutôt sur les étapes layout/tableaux. Le réglage fin (batch sizes, serveurs VLM) est dans le guide GPU officiel.

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"]),
)

PDF scanné, OCR pleine page. Choisir explicitement un moteur. Sauter l'OCR sur PDF numériques (le plus rapide). OCR en allemand + anglais, étiquettes portables :

Plus d'exemples détaillés : forcer l'OCR pleine page, détection de langue Tesseract, RapidOCR avec modèles propres, bibliothèque locale et le configurateur.

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)
# Substituez EasyOcrOptions / TesseractOcrOptions / TesseractCliOcrOptions
# / OcrMacOptions (macOS) / NemotronOcrOptions (Linux CUDA) au besoin.

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

• Texte scanné non reconnu — OCR coupé ou le mode défaut a raté la couche manquante : forcez --ocr-mode full_page, essayez un autre moteur. Voir OCR sur un PDF scanné.
• L'extra OCR ne s'installe pas — RapidOCR/EasyOCR sont pip-only ; Tesseract exige d'abord binaire système + TESSDATA_PREFIX. Voir erreur d'installation du paquet OCR.
• Conversion lente — OCR + enrichissements sont les étapes CPU les plus chères : --no-ocr pour les PDF numériques, --table-mode fast ou un GPU. Voir conversion lente.
• GPU ignoré — confirmez torch.cuda.is_available() / CUDAExecutionProvider, utilisez --device cuda (mps sur Apple Silicon). Voir GPU non utilisé.
• Sortie dans la mauvaise langue — vérifiez les éclipses (ka vs iso:ka-Geor), gardez les listes EasyOCR courtes, vérifiez avec supported_ocr_languages().

Vérifié avec Docling v2.129.0 · Dernière vérification 2026-09-22 · Source officielle