Docling OCRエンジン

デジタル (テキスト) PDFにOCRは不要なことが多い。まず--no-ocrで最速を試し、スキャン頁のみエンジン追加。

OCRは既定有効 (--ocr)。3旗が適用範囲と実行機関を定める。Python等価: PdfPipelineOptions().do_ocr = TrueにRapidOcrOptions / EasyOcrOptions / TesseractOcrOptions / TesseractCliOcrOptions / OcrMacOptions / NemotronOcrOptionsのいずれかをmode=OcrMode.FULL_PAGE付きで。OCR視野は--debug-visualize-ocrで可視化。

Tesseract本体はOS別。下記OS別完全手順は導入概要とOS指南参照。オフライン・CI機用にOCRモデル事前取得: docling-tools models download --allか個別--easyocr-lang de・--rapidocr-backend-lang onnxruntime:el。CLI解説参照。

Windows: UB Mannheim版導入しPATH追加、TESSDATA_PREFIXをtessdata\へ。tesserocr失敗時はpip uninstall tesserocr後にpip install --no-binary :all: tesserocr。

RapidOCRはPP-OCR模型の包み。backend (runtime) とPP-OCR版 (模型世代) が独立に変わる。

言語札 (native 符号): 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 + 欧州約45符号 (de, fr, es, it, pt, nl, pl …)。別名zh→ch, zh_cn→ch, zh_tw→chinese_cht, ja/jp→japan, ko→korean (注意: v6の朝鮮語は別名のみ)。de/germanとfr/frenchは二重存在。

文字系 (1札で多言語): cyrillic (34: 露・宇・哈…+英)、devanagari (14: 印地・マーカー・梵…+英)、arabic (9: 阿・波・ Urdu …+英)、eslav (東 Slav: 露・白・宇+英)。

1実行1言語: RapidOCRはlang先頭のみ用い残りに警告。Python: RapidOcrOptions(lang=["eslav"], backend="onnxruntime")。独自 checkpoint 可 (独自模型例参照)。

EasyOCR (Gen2 checkpoint、craft_mlt_25k.pth検出) は複数言語同時可。ただし解決は要求全言語を覆う単一 checkpoint を選ぶ。不要言語追加は黙って降格: ["en"]は精密english_g2.pth、["en","de"]は汎用latin_g2.pthに後退。

• 二味一機関: tesseractは本体CLI呼出し (pipエクストラ不要)。tesserocrは庫内結合 (高速、結合部要)。同精度・同一traineddata。
• 言語 = traineddata語幹: deu, chi_sim, chi_tra, srp_latn, aze_cyrl, deu_latf, frk, jpn_vert, script/Latin, script/Cyrillicに自作学習済み追加可。導入済み.traineddataが利用可能域。
• 構築時検査: 欠落は変換途中ではなく即時失敗し、導入済み一覧を報文に含む。
• 空lang = 文字検出: --ocr-lang ""は頁毎の向き・文字検出 (osd traineddata要)。
• 自動言語検出は公式例参照。

OcrMacはApple Visionの薄包み。本体も取得模型もなし。認識器はOS内蔵のため、対応集合はocrmac版でなく自macOS版の属性。

• 導入: pip install "docling[ocrmac]"。Python: OcrMacOptions。
• BCP-47地域付き照合: iso:deはde-DEに、iso:ptはpt-BRに、iso:zh-CNはzh-Hansに当たる。
• vi-VT等変則地域符号は裸 (native) 渡し。空langはVision自動。

Linux x86_64 + CUDA 13.xとcu130版torch索引要 (導入行は4節)。1実行1言語 (先頭勝ち)。Python: NemotronOcrOptions。

• KServe v2: OCRが遠隔 micro 役務の場合。langは無検証・無写像。先頭のみ逐語送信、残りは警告破棄。自デプロイ符号利用。iso:は相手が話す場合のみ (皆無)。
• OnnxTR plugin: pip install "docling-ocr-onnxtr[cpu]"し--allow-external-plugins有効化、plugin名で選択。docling-OCR-OnnxTR庫参照。
• 独自模型SuryaOCRは公式例参照。第三者選択肢は--show-external-pluginsで列挙。

各機関は一字段OcrOptions.langで言語受領。各項目は正確に二様式:

native符号 (接頭辞なし)。機関固有表記を逐語通過: ch (PP-OCR中国語)、deu (Tesseract独語)、ch_sim (EasyOCR)、en-US (Vision)。

移植札。BCP-47をiso:付きで機関写像: iso:de・iso:en-US・iso:zh-Hant。非既定文字は必ず明示: セルビア・ラテンはiso:sr-Latn必須 (既定セルビアはキリル)。

各機関は対応を自己申告: supported_ocr_languages()はnative + BCP-47符号をlang貼付可能な表記で返す。Doclingは黙って代替しない。非対応言語は例外となり機関の可能域を列挙。RapidOCRとNemotronは同時1言語 (先頭札勝ち・残り警告)。

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

機関別の空言語表の意味。影符号 (裸 = 模型、iso: = 言語):

• CUDA上RapidOCR: GPU版ONNX Runtime導入 (pip install "docling[onnxruntime]")。CUDAExecutionProviderがort.get_available_providers()にあること。onnxruntime backend + CUDA器利用。torch backendは代替 (注意: PP-OCRv5 + torchは中国語のみ)。
• Nemotronは設計上GPU専用 (CUDA 13.x・Linux x86_64)。
• EasyOCR / Tesseract / OcrMacは実質CPU bound。高速CPUに置きGPU予算は配置・表段階へ。調整 (batch・VLM役務) は公式GPU指南へ。

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"]),
)

スキャンPDF全文OCR。機関明示。デジタルPDFのOCR省略 (最速)。独英 portable 札:

作例詳解: 全文OCR強制・Tesseract言語検出・RapidOCR独自模型・地元例集・構成生成器。

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)
# 必要に応じEasyOcrOptions / TesseractOcrOptions / TesseractCliOcrOptions
# / OcrMacOptions (macOS) / NemotronOcrOptions (Linux CUDA)に入替え。

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

• スキャン文未認識 — OCR停止か既定様式が欠落層を見逃し。--ocr-mode full_page強制、他機関試験。スキャンPDFのOCR参照。
• OCRエクストラ導入不可 — RapidOCR/EasyOCRはpipのみ。Tesseractは本体 + TESSDATA_PREFIX先行。OCR包導入誤り参照。
• 変換低速 — OCRと富化模型が最高価CPU段階。デジタルPDFは--no-ocr、--table-mode fastかGPU。変換低速参照。
• GPU無視 — torch.cuda.is_available() / CUDAExecutionProvider確認、--device cuda利用 (Apple Siliconはmps)。GPU未使用参照。
• 誤言語出力 — 影確認 (kaとiso:ka-Geor)、EasyOCR表短縮、supported_ocr_languages()検証。

Docling v2.129.0で検証 · 最終確認 2026-09-22 · 公式ソース