Docling und Kreuzberg: Struktur und Abhängigkeiten bei der lokalen Extraktion gemischter Office-Dateien abwägen
Für bestehende Python- und DoclingDocument-Abläufe lohnt sich zuerst Docling. Bei direkter Integration in Anwendungen verschiedener Programmiersprachen und vielen alten Office-Dateien lässt sich zuerst Kreuzberg prüfen. Vergleichen Sie Strukturausgabe, OCR-Backends und Laufzeitabhängigkeiten. Ein Kaltstart ohne Netzwerk nach Vorbereitung der Modelle bestätigt die Offline-Grenzen.
Wenn Unternehmen Word-Dateien, Präsentationen, Tabellen und Scans aus gemeinsamen Laufwerken in lokale Verarbeitungsabläufe überführen, müssen sie zuerst drei Fragen klären: Welche Dokumentstruktur brauchen nachgelagerte Systeme, welche Laufzeitabhängigkeiten können bestehende Anwendungen tragen, und lässt sich die Verarbeitung nach einer Netztrennung neu starten?
Hat das Team bereits Nachbearbeitung rund um Python und DoclingDocument entwickelt, sollte es zuerst Docling prüfen. Soll die Extraktion direkt in Java-, TypeScript- oder Rust-Anwendungen eingebunden und die Abhängigkeit von externer Konvertierung alter Office-Dateien verringert werden, lohnt sich zuerst Kreuzberg. Beide müssen mit den tatsächlichen Formaten und OCR-Konfigurationen abgenommen werden. „Läuft lokal“ allein beweist keine Erfüllung von Offline-Anforderungen. Der folgende Vergleich beruht auf offiziellen Dokumenten, nicht auf Praxistests zur Genauigkeit oder Geschwindigkeit.
Eine Dateiliste hilft mehr als die Gesamtzahl unterstützter Formate
Angenommen, Verwaltung und Technik wollen denselben Bestand aus Richtlinien-DOCX, Schulungs-PPTX, Register-XLSX, alten DOC/PPT und gescannten PDFs verarbeiten. Das ist ein Auswahlszenario, kein bereits ausgeführter Test. Nehmen Sie diese Dateitypen einzeln in die Abnahmeliste auf. Insbesondere darf eine erfolgreiche DOCX-Verarbeitung nicht als bestandene Prüfung alter DOC-Dateien gelten.
Doclings Formatübersicht nennt DOCX, XLSX und PPTX und unterstützt auch ältere DOC, XLS und PPT. Letztere benötigen jedoch LibreOffice. Kreuzbergs Formatreferenz erklärt dagegen, dass alte DOC/PPT ab Version 4.3 nativ extrahiert werden und nicht mehr von LibreOffice abhängen. Gehören alte Dateien zum täglichen Eingang, ändert das unmittelbar die Komponenten, die ein Container mitbringen muss. Es beweist aber nicht, dass einer der Anbieter sämtliche alten Dateien vollständiger rekonstruiert.
Zuerst festlegen, was gespeichert wird, dann Ausgaben vergleichen
DoclingDocument vereint Text, Tabellen, Bilder und Abschnittsgruppen in einer Struktur, trennt Haupttext von Kopf- und Fußzeilen und führt, soweit verfügbar, Positions- und Herkunftsinformationen mit. Teams, die Abschnittsbeziehungen erhalten und später Texte für verschiedene Zwecke erzeugen wollen, bekommen damit ein klares Zwischenmodell. Dafür muss die Nachbearbeitung dieses Modell verstehen, statt nur ein einmal exportiertes Markdown zu speichern.
Auch Kreuzberg lässt sich nicht auf „reine Textextraktion“ reduzieren. Seine Typreferenz definiert eine DocumentStructure mit Eltern-Kind-Beziehungen. Knoten können Überschriften, Absätze, Tabellen und weitere Elemente darstellen; Seitenzahlen und Begrenzungsrahmen dürfen leer sein. Lassen Sie beide Lösungen deshalb die tatsächlich benötigte Struktur ausgeben und prüfen Sie dann, ob Überschriften im Schulungsmaterial weiterhin mit den zugehörigen Inhalten verbunden sind und Tabellenköpfe im Register noch zu den Zellen passen. Strukturfelder zu besitzen und sie für jede Datei vollständig befüllen zu können, sind zwei verschiedene Dinge.
Hilfreicher für die Auswahl ist die Frage: Welche Struktur lesen bestehende nachgelagerte Systeme bereits, und wie viel Anpassung erfordert die andere? Werden lediglich regelmäßig Texte für die manuelle Suche extrahiert, lohnt sich eine komplexe Strukturkonvertierungsschicht möglicherweise nicht. Sollen dagegen Abschnitte archiviert und Tabellen erhalten werden, sollten die strukturierten Ergebnisse langfristig gespeichert werden.
Die OCR-Wahl verändert die Bereitstellungsliste
Doclings OCR-Dokumentation nennt RapidOCR, EasyOCR, Tesseract und weitere Engines sowie unterschiedliche Sprachkonfigurationen. Bei Tesseract müssen die traineddata-Dateien für die tatsächlich verwendeten Sprachen bereitliegen. Die Installation des Hauptpakets bedeutet nicht, dass bereits sämtliche Erkennungssprachen verfügbar sind.
Auch Kreuzbergs OCR-Anleitung bietet mehrere Backends: Tesseract erfordert Systeminstallation und Sprachdaten, PaddleOCR kann ein natives Backend nutzen, EasyOCR ist auf Python beschränkt. Eine Java-Geschäftsanwendung kann daher nicht einfach jede OCR-Option aus einem Python-Beispiel unverändert übernehmen. Bei gemischten PDFs sind Seiten mit und ohne Textebene getrennt darauf zu prüfen, ob die erwartete OCR ausgelöst wird.
Unterschiede bei den Programmiersprachen verdienen eine eigene Prüfung. Das Docling-Projekt bietet Python-Nutzung und eine Kommandozeilenschnittstelle. Kreuzbergs Installationsdokumentation bietet Bindings für mehrere Sprachen, nennt aber auch AVX/AVX2 als Voraussetzung für ONNX-Funktionen auf x86_64. Die Windows-Bindings für Go, Elixir und C/C++ benötigen außerdem eine dynamische ONNX Runtime. Native Bindings können eine Dienstintegrationsschicht ersparen, bedeuten aber nicht den Wegfall nativer Bibliotheken oder Hardwareanforderungen.
„Offline“ durch einen vollständigen Neustart prüfen
Doclings erweiterte Optionen erklären, dass Modelle standardmäßig bei der ersten Verwendung heruntergeladen werden. Sie lassen sich mit docling-tools models download vorbereiten; ein lokaler artifacts-Pfad kann angegeben werden. Für entfernte Modelldienste muss enable_remote_services ausdrücklich aktiviert werden. Dieser Schalter steuert aber das Senden von Nutzerdaten und verhindert keine Modelldownloads. Für Drittanbieter-Plugins gibt es zusätzlich allow_external_plugins. Modellressourcen, entfernte Aufrufe und Plugins müssen getrennt geprüft werden. Ein einzelner Schalter ist keine Netzwerkisolierung.
Kreuzbergs Kommandozeilendokumentation bietet kreuzberg cache warm, um PaddleOCR- und Layouterkennungsmodelle vorab herunterzuladen. Für weitere aktivierte Fähigkeiten sind die zugehörigen Ressourcen ebenfalls vorzubereiten. Seine LLM-Integration kann lokale Inferenzengines oder externe Anbieter ansprechen; VLM OCR sendet Seitenbilder an das gewählte Modell. Ein selbst gehostetes Programm mit externem Endpunkt läuft weiterhin nicht vollständig offline.
Für beide kann derselbe Abnahmeplan verwendet werden: Paketversion, OCR-Backend und Modelldateien festlegen, in einer frischen Laufzeitumgebung alle Abhängigkeiten vorbereiten, das externe Netzwerk trennen und anschließend die verschiedenen Beispieldateien aus einem Kaltstart verarbeiten. Fehlende Ressourcen, gescheiterte Dateien, fehlende Strukturelemente, maximalen Speicherverbrauch und Laufzeit getrennt erfassen. Bereits zwischengespeicherte Extraktionsergebnisse dürfen nicht als erfolgreiche Neuverarbeitung ausgegeben werden. Dies ist eine vorgeschlagene Prüfmethode, kein hier gemessenes Ergebnis.
Bestehende Python-Abläufe mit DoclingDocument sollten meist zuerst prüfen, ob sie direkt fortgeführt werden können. Teams mit Schwerpunkt auf Integration in Anwendungen verschiedener Sprachen und vielen alten Office-Dateien können zuerst Kreuzberg prüfen. Ohne Zuständige für Modellressourcen, Laufzeitbibliotheks-Updates und Offline-Regressionstests wird keine der beiden Lösungen allein durch lokale Installation automatisch wartungsfrei.
Hinweis zum Inhalt:Dieser Artikel basiert auf öffentlich verfügbaren Informationen und dient als Orientierung bei der Auswahl von Tools. Funktionen, Preise und zugehörige Richtlinien können sich jederzeit ändern; maßgeblich sind die aktuellen offiziellen Angaben.
Originalquelle:docling-project.github.io