Docling の OCR——正しいエンジン、正しい言語、あるいは OCR なし

そもそも OCR は必要？#

PDF を開いて文章を選択してみてください。選択できればテキスト層があり、Docling はそれを直接読みます。文字は正確で、OCR は要りません。この場合 OCR が足すのは画像内の文字だけで、しかもコストは大きいです：

増えた約 5,000 文字は、論文の図に含まれるスクリーンショットの文字です。それが必要なら OCR を残し、不要なら切りましょう。

エンジンを選ぶ#

エンジン一覧#

エンジン一覧と既定の言語は 2.148.0 の docling options ocr <engine> の出力から取得しています。エンジンのライセンス：RapidOCR・EasyOCR・Nemotron OCR は Apache-2.0、tesserocr と ocrmac は MIT、Tesseract 本体は Apache-2.0。

auto の選択順

1. macOS：導入済みなら ocrmac。
2. CUDA のある Linux：導入済みなら Nemotron OCR。
3. onnxruntime バックエンドの RapidOCR（onnxruntime が入っている場合）。
4. EasyOCR（入っている場合）。
5. PyTorch バックエンドの RapidOCR——通常の pip install docling で最終的に使われるのはこれです。

要求された言語に対応できないエンジンは飛ばされます。Tesseract は自動では選ばれません。使うときは --ocr-engine tesseract を指定します。順序は 2.148.0 の auto_ocr_model.py から読み取り、最後のステップは Linux でのテスト実行で確認しました。

言語#

--ocr-lang にはエンジン固有のコード、または iso: を付けた BCP-47 タグを渡します（Docling が選んだエンジン用に変換します）。空の値（--ocr-lang ''）を渡すとエンジン任せになります。

• RapidOCR は一度に 1 言語だけを使い、余分な言語は警告付きで無視されます。PyTorch バックエンドは多くの言語で文字体系単位のモデルしか持たず、既定のインストールでは iso:ru が OcrLanguageNotSupportedError になり、cyrillic なら動きました。 * eslav も同様に拒否されました。en・latin・ch・chinese_cht・japan・cyrillic はテストで PyTorch バックエンドで動作しました。
• Tesseract は複数言語を組み合わせられます（指定順、例：jpn,eng）。対応する traineddata が必要で、ない場合はエンジン起動時にエラーになります。
• EasyOCR は同じ文字体系に属する複数の言語を同時に認識できます。

OCR モード#

定義は 2.148.0 の OcrMode 列挙型から取得しました。

壊れたテキスト層を置き換える（2.144.0 で追加）#

画面上は完璧に見えるのに、コピーすると Certificate が 8VceZWZTReV になるような PDF があります。フォントがグリフを誤った文字に対応付けているためです。OCR モードでは解決できません。既定のモードは PDF のテキストを信頼し、full_page は全ページのテキスト層を捨ててしまいます。--replace-broken-text-layer はその中間で、Docling がページごとにテキスト層を調べ、壊れたページだけを全ページ OCR で読みます。

docling convert contract.pdf --replace-broken-text-layer
docling convert contract.pdf --replace-broken-text-layer --ocr-engine rapidocr --ocr-option backend=torch --ocr-lang iso:ja

• 既定はオフで、すべてのエンジンで使えます。Python では任意の OCR オプションクラスの replace_broken_text_layer=True（例：RapidOcrOptions(replace_broken_text_layer=True)）、CLI では --ocr-option replace_broken_text_layer=true でも指定できます。
• 「壊れている」の判定：ページ内や多くの行に制御文字・�・私用領域の文字があること（すべての文字体系）。ラテン文字では、別の文字体系の代わりに使われたアクセント付き文字（ロシア語が Îò÷¸ò になる例）や母音の少なすぎる単語も検出します。ページ内の 1 セルだけ壊れていても置き換えません。
• 検出できないもの：文字体系は正しいのに文字が違う・順序が乱れているテキスト（Cartifecita）。こうしたファイルには --ocr-mode full_page を使います。
• 置き換えたページの parse_score は信頼度レポートで低いままです。このスコアは PDF のテキスト層を表すためです。文書の言語を読めるエンジンと --ocr-lang を選んでください。

知っておきたいエンジン設定#

docling options ocr ENGINE でエンジンのキーを一覧し、--ocr-option KEY=VALUE（繰り返し可）で渡します。

docling convert scan.pdf --ocr-engine rapidocr --ocr-option backend=torch --ocr-lang iso:ja --ocr-option scale=2
docling convert scan.pdf --ocr-engine tesseract --ocr-lang jpn,eng --ocr-option psm=6
docling convert scan.pdf --ocr-engine easyocr --ocr-lang ja,en --ocr-option confidence_threshold=0.3
docling convert sideways.pdf --ocr-engine rapidocr --ocr-option backend=torch --ocr-option detect_orientation=true

Python#

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

opts = PdfPipelineOptions()
opts.do_ocr = True
opts.ocr_options = RapidOcrOptions(lang=["japan"], backend="torch", mode=OcrMode.FULL_PAGE)

converter = DocumentConverter(format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=opts)})
print(converter.convert("scan.pdf").document.export_to_markdown()[:500])

オプションクラス：OcrAutoOptions・RapidOcrOptions・EasyOcrOptions・TesseractCliOcrOptions（エンジン tesseract）・TesseractOcrOptions（tesserocr）・OcrMacOptions・NemotronOcrOptions・KserveV2OcrOptions。

スキャンでのエンジン比較#

同じスキャン文書（Docling 論文の最初の 4 ページを 150 DPI でラスタライズし、わずかなぼかしと傾きを加えたもの）、同じ標準パイプラインで、OCR エンジンだけを変えました。各エンジンは GPU なしの 4 vCPU マシンでウォームアップ 1 回、計測 3 回です（Docling 2.148.0、2026 年 11 月 6 日）。

• ここでは Tesseract が最速かつ最も正確でした（5.5 秒/ページ、単語の 96.1%）。きれいな英文の組版ページでは勝つのが難しいエンジンです。システムのバイナリと言語パックが必要です。
• onnxruntime 版の RapidOCR は既定の PyTorch 版の約 2 倍速（7.0 対 15.4 秒/ページ）で、出力は同一でした。純 Python 環境で最も手軽な高速化は docling[rapidocr] のインストールで、onnxruntime が入ると auto が自動的に選びます。
• EasyOCR は CPU で最も遅い（29 秒/ページ）。Docling の既定の信頼度しきい値（0.5）では単語の 85.1% を残し、0.1（--ocr-option confidence_threshold=0.1）に下げると 94.4% に上がりました。結果は画像にも大きく左右されます。10 月 27 日の計測で使ったスキャンでは、同じ既定しきい値で 12.3% しか残りませんでした。

よくある質問

出典

• Docling ソースコード：OCR エンジン（docling/models/stages/ocr）
• Docling 2.148.0 から取得：docling options ocr <engine> の出力
• PyPI の RapidOCR
• PyPI の EasyOCR
• Tesseract OCR