Docling の実践例

デジタル PDF から読みやすい Markdown を。

使う場面: デジタルまたは混在PDFから、きれいで読みやすいMarkdownが必要なとき。

CLI

Python

from docling.document_converter import DocumentConverter

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

使用するフラグ

• --to md Markdown 出力を選択します。

期待される出力

# Annual Report

## Revenue

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

バリエーション

よくある間違い: スキャンPDFを処理して空のテキストになる。テキスト層がなければOCRを使ってください（--ocr-mode full_page）。

公式ドキュメント · PDF から JSON

独自パイプライン向けの完全な DoclingDocument 構造。

使う場面: バウンディングボックスやレイアウトのメタデータを含む、ロスレスのDoclingDocument構造が必要なとき。

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))

使用するフラグ

• --to json ロスレス JSON 表現を出力します。

期待される出力

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

バリエーション

よくある間違い: CLIのJSONと export_to_dict() がバイト単位で同一だと期待すること。同じ文書の等価な表現です。

公式ドキュメント · PDF から Markdown

HTTP URL から直接ドキュメントを変換。

使う場面: 文書がオンラインにあり、先にダウンロードしたくないとき。

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())

期待される出力

## Docling Technical Report

...

バリエーション

よくある間違い: どのURLでも動くと想定すること。HTTPで到達可能な対応形式である必要があります。

公式ドキュメント · 対応フォーマット

画像のみのページからテキストを復元。

使う場面: ページが画像で、選択可能なテキストがないとき。

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())

使用するフラグ

• --ocr-mode full_page テキストがあるページも含め全ページを OCR します。

期待される出力

Text reconstructed from the scanned page image.

バリエーション

よくある間違い: デジタルPDFでOCRを有効のままにすると時間を浪費します。テキスト層がない場合のみ有効にしてください。

公式ドキュメント · OCR エンジンを比較

デジタル PDF を大幅に高速変換。

使う場面: PDFにテキスト層が既にあり、最速の変換が欲しいとき。

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())

使用するフラグ

• --no-ocr OCR ステージを完全にスキップします。

期待される出力

Markdown produced without running OCR.

バリエーション

よくある間違い: スキャンPDFでOCRを無効にすると、テキストがほとんど得られません。

公式ドキュメント · すべてのコマンド

表を Markdown または HTML の表に変換。

使う場面: 文書内の表をMarkdownまたはHTMLのマトリクスとして得たいとき。

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())

使用するフラグ

• --table-mode accurate 複雑な結合セルの表に TableFormer を使用します。

期待される出力

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

バリエーション

よくある間違い: すべての表が完璧だと想定すること。結合セルや罫線なしの表は確認が必要な場合があります。--table-mode accurate を試してください。

公式ドキュメント · コマンドを作成

数式とコードブロックを LaTeX として取得。

使う場面: 数式やコードブロックを含む科学・技術文書のとき。

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())

使用するフラグ

• --enrich-code コードブロックを検出します。
• --enrich-formula LaTeX 数式を抽出します。

期待される出力

$$ E = mc^2 $$

バリエーション

よくある間違い: 数式やコードのない文書でエンリッチを有効にすると、利点なく処理時間が増えます。

公式ドキュメント · コマンドを作成

ベクトルストア向けの構造認識チャンク。

使う場面: ベクトルストア向けに見出し、表、ページのメタデータを保つチャンクが欲しいとき。

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)

使用するフラグ

• --to chunks チャンク出力を生成します。
• --chunks-type hybrid HybridChunker を使用します。

期待される出力

Chunks split on document structure rather than raw character counts.

バリエーション

よくある間違い: 構造を考慮しない素朴な文字分割を使い、表や見出しを壊すこと。

公式ドキュメント · RAG ガイド

解析済み文書を LangChain パイプラインに読み込み。

使う場面: 解析済み文書をLangChainパイプラインに読み込むとき。

CLI

Python

from langchain_docling import DoclingLoader

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

期待される出力

LangChain Document objects with parsed page content and metadata.

バリエーション

よくある間違い: doclingとは別に連携パッケージのインストールを忘れること。

公式ドキュメント · LlamaIndex レシピ

解析済みファイルから LlamaIndex ノードを作成。

使う場面: 解析済みファイルからLlamaIndexのドキュメントノードを作るとき。

CLI

Python

from llama_index.readers.docling import DoclingReader

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

期待される出力

LlamaIndex documents ready for indexing.

バリエーション

よくある間違い: doclingとリーダーパッケージのバージョンを混在させること。両方を最新に保ってください。

公式ドキュメント · LangChain レシピ