Docling وKreuzberg: اختيار البنية والاعتماديات لاستخراج ملفات Office محليًا
قيّم Docling أولًا إذا كان لديك مسار قائم على Python وDoclingDocument؛ واختبر Kreuzberg أولًا عند الحاجة إلى الدمج داخل تطبيقات بلغات متعددة ومعالجة كثير من ملفات Office القديمة. قارن المخرجات المنظمة والواجهات الخلفية لـOCR واعتماديات التشغيل، ثم تحقّق من حدود العمل دون اتصال بتشغيل بارد بعد تجهيز النماذج.
عندما تنقل مؤسسة ملفات Word والعروض التقديمية وجداول البيانات والمستندات الممسوحة ضوئيًا من مساحة تخزين مشتركة إلى مسار محلي لمعالجة الوثائق، تتعلق القرارات الأولى ببنية المستندات التي تحتاجها الأنظمة اللاحقة، واعتماديات التشغيل التي تستطيع التطبيقات الحالية دعمها، وإمكان إعادة بدء المعالجة من دون اتصال بالإنترنت.
إذا كان الفريق يبني المعالجة اللاحقة بالفعل على Python وDoclingDocument، فالأفضل تقييم Docling أولًا. أما إذا أراد دمج الاستخراج داخل تطبيقات Java أو TypeScript أو Rust وتقليل الاعتماد على أدوات خارجية لتحويل ملفات Office القديمة، فإن Kreuzberg يستحق التجربة أولًا. كلاهما يحتاج إلى اختبارات قبول للصيغ وإعدادات OCR المستخدمة فعلًا؛ فعبارة «يعمل محليًا» لا تثبت وحدها الجاهزية للعمل دون اتصال. تستند المقارنة إلى الوثائق الرسمية وليست ترتيبًا للدقة أو السرعة مبنيًا على اختبارات فعلية.
قائمة الملفات أنفع من عدد الصيغ المدعومة
لنفترض أن فريقًا إداريًا وتقنيًا يحتاج إلى معالجة سياسات بصيغة DOCX، وعروض تدريبية بصيغة PPTX، وسجلات بصيغة XLSX، وملفات DOC/PPT قديمة، وملفات PDF ممسوحة ضوئيًا ضمن الدفعة نفسها. هذا سيناريو للاختيار، وليس اختبارًا أُجري بالفعل. أدرج كل نوع في قائمة القبول، ولا تعتبر نجاح معالجة DOCX دليلًا على اجتياز DOC القديم أيضًا.
تسرد وثائق الصيغ في Docling صيغ DOCX وXLSX وPPTX، إلى جانب DOC وXLS وPPT القديمة، لكن الأخيرة تتطلب LibreOffice. في المقابل، يوضح مرجع الصيغ في Kreuzberg أن استخراج DOC/PPT القديمة أصبح أصليًا منذ الإصدار 4.3، ولم يعد يعتمد على LibreOffice. إذا كانت الملفات القديمة جزءًا من العمل اليومي، فسيغيّر ذلك مباشرة المكونات التي يجب تضمينها في الحاوية. لكنه لا يثبت أن إحدى الأداتين تعيد بناء جميع الملفات القديمة بصورة أكمل.
حدّد ما ستحتفظ به قبل مقارنة المخرجات
يجمع DoclingDocument النصوص والجداول والصور ومجموعات الأقسام في بنية موحدة، ويميّز المتن من رؤوس الصفحات وتذييلاتها، ويحمل معلومات الموقع والمنشأ عند توفرها. بالنسبة إلى الفرق التي تريد الحفاظ على العلاقات بين الأقسام قبل توليد نصوص لاستخدامات مختلفة، يوفّر ذلك نموذج بيانات وسيطًا واضحًا. والمقابل هو أن المعالجة اللاحقة يجب أن تفهم هذا النموذج، بدل الاكتفاء بحفظ تصدير واحد بصيغة Markdown.
ولا يصح اختزال Kreuzberg في «استخراج النص العادي» أيضًا. يعرّف مرجع الأنواع فيه DocumentStructure بعلاقات بين العقد الأم والعقد الأبناء؛ ويمكن للعقد تمثيل العناوين والفقرات والجداول وغيرها، بينما قد تكون أرقام الصفحات والمربعات المحيطة خالية. اطلب من الأداتين إنتاج البنية التي تحتاجها فعلًا، ثم تحقّق من بقاء عناوين مواد التدريب مرتبطة بمحتواها الصحيح، ومن استمرار ارتباط رؤوس السجلات بالخلايا المناسبة. وجود حقول للبنية يختلف عن ملئها جميعًا في كل ملف.
السؤال الأنفع للاختيار هو: أي بنية تستهلكها الأنظمة اللاحقة بالفعل، وكم يتطلب تكييف البنية الأخرى من عمل؟ إذا كانت المهمة مجرد استخراج دوري للنصوص كي يبحث فيها الأشخاص، فقد لا تستحق إنشاء طبقة معقدة لتحويل البنية. أما إذا كان المطلوب أيضًا الأرشفة حسب الأقسام والاحتفاظ بالجداول، فينبغي حفظ النتائج المنظمة على المدى الطويل.
اختيار OCR يغيّر متطلبات النشر
تسرد وثائق OCR في Docling محركات منها RapidOCR وEasyOCR وTesseract، مع إعدادات لغات مختلفة. عند اختيار Tesseract، يجب تجهيز ملفات traineddata للغات المستخدمة فعلًا؛ فتثبيت الحزمة الأساسية لا يعني أن جميع لغات التعرف أصبحت جاهزة.
ويقدّم دليل OCR في Kreuzberg أيضًا عدة واجهات خلفية: يحتاج Tesseract إلى تثبيت على النظام وبيانات اللغات، ويمكن لـPaddleOCR استخدام واجهة خلفية أصلية، بينما يقتصر EasyOCR على Python. لذلك لا ينبغي لتطبيق أعمال مكتوب بلغة Java أن يفترض إمكان نقل كل خيار OCR في مثال Python دون تغيير. وفي ملفات PDF المختلطة، يجب التحقق على نحو منفصل من أن الصفحات التي تحتوي على طبقة نصية وتلك التي لا تحتوي عليها تفعّل سلوك OCR المتوقع.
وتستحق لغة التشغيل تقييمًا مستقلًا. يوفّر مشروع Docling الاستخدام عبر Python ومدخلًا لسطر الأوامر. وتقدّم وثائق تثبيت Kreuzberg روابط لعدة لغات، لكنها تنص أيضًا على أن ميزات ONNX على x86_64 تتطلب AVX/AVX2، وأن روابط Go وElixir وC/C++ على Windows تعتمد ديناميكيًا على ONNX Runtime. قد تُغني الروابط الأصلية عن طبقة تكامل عبر خدمة، لكنها لا تلغي المكتبات المحلية أو متطلبات العتاد.
اختبر العمل دون اتصال بإعادة تشغيل كاملة
توضح الخيارات المتقدمة في Docling أن النماذج تُنزّل افتراضيًا عند الاستخدام الأول، ويمكن تجهيزها مسبقًا باستخدام docling-tools models download وتحديد مسار محلي لملفاتها. تتطلب خدمات النماذج البعيدة تفعيل enable_remote_services صراحةً، لكن هذا الخيار يتحكم في إرسال بيانات المستخدم، لا في تنزيل النماذج. ولـإضافات الجهات الخارجية خيار منفصل هو allow_external_plugins. لذا ينبغي مراجعة ملفات النماذج والاتصالات البعيدة والإضافات كلًّا على حدة، وعدم اعتبار خيار واحد وسيلة لعزل الشبكة.
تقدّم وثائق سطر الأوامر في Kreuzberg الأمر kreuzberg cache warm لتنزيل نماذج PaddleOCR واكتشاف تخطيط الصفحات مسبقًا؛ وعند تفعيل إمكانات أخرى، ينبغي تجهيز ملفاتها أيضًا. ويمكن لـتكامله مع النماذج اللغوية الكبيرة الاتصال بمحركات استدلال محلية أو بمزوّدين خارجيين، ويرسل OCR المعتمد على VLM صور الصفحات إلى النموذج المختار. فالبرنامج المستضاف داخليًا الذي يتصل بنقطة نهاية خارجية لا يشكّل مسارًا يعمل بالكامل دون اتصال.
استخدم خطة قبول واحدة للأداتين: ثبّت إصدارات الحزم والواجهات الخلفية لـOCR وملفات النماذج، ثم اقطع الاتصال بالشبكة الخارجية في بيئة تشغيل جديدة جرى تجهيز اعتمادياتها، وابدأ معالجة عينات كل نوع من تشغيل بارد. سجّل الموارد المفقودة والملفات الفاشلة وحقول البنية الناقصة وذروة استهلاك الذاكرة ووقت الإكمال بصورة منفصلة. ولا تعرض نتائج استخراج مخزنة مؤقتًا بوصفها نجاحًا في إعادة تحليل الملفات. هذه طريقة تحقق مقترحة، وليست نتائج قاسها هذا المقال.
في النهاية، ينبغي عادةً لمسار Python الذي يستخدم DoclingDocument بالفعل أن يتحقق أولًا من إمكان الاستمرار مباشرة. ويمكن للفرق التي تركز على الدمج داخل تطبيقات بلغات متعددة ولديها كثير من ملفات Office القديمة أن تختبر Kreuzberg أولًا. وإذا لم يتولَّ أحد مسؤولية ملفات النماذج وتحديث مكتبات التشغيل واختبارات الانحدار دون اتصال، فلن تتحول أي من الأداتين تلقائيًا إلى حل لا يحتاج إلى صيانة لمجرد تثبيتها محليًا.
ملاحظة حول المحتوى:يستند هذا المقال إلى معلومات متاحة للعموم ويُعد مرجعًا للمساعدة في اختيار الأدوات. قد تتغير الميزات والأسعار والسياسات ذات الصلة في أي وقت، لذا يُرجى الرجوع إلى أحدث المعلومات الرسمية.
المصدر الأصلي:docling-project.github.io