Docling frente a Kreuzberg: equilibrar estructura y dependencias al extraer archivos de oficina variados en local

Con procesos existentes en Python y DoclingDocument, evalúe primero Docling. Para integrar extracción en aplicaciones de varios lenguajes y tratar muchos archivos Office antiguos, compruebe primero Kreuzberg. Compare estructura de salida, backends OCR y dependencias, y confirme el alcance sin conexión con un arranque en frío sin red después de preparar los modelos.

Fuente: docling-project.github.io
11 de noviembre de 2026
6 min

Cuando una empresa incorpora documentos Word, presentaciones, hojas de cálculo y escaneos de una unidad compartida a un proceso local, debe decidir primero qué estructura documental necesita después, qué dependencias de ejecución pueden asumir las aplicaciones existentes y si el procesamiento puede reiniciarse sin red.

Si el equipo ya ha desarrollado posprocesamiento alrededor de Python y DoclingDocument, evalúe primero Docling. Si quiere integrar extracción directamente en aplicaciones Java, TypeScript o Rust y reducir las conversiones externas de archivos Office antiguos, merece la pena probar Kreuzberg. Ambos requieren validación según los formatos y la configuración OCR reales. «Se ejecuta localmente» no basta para demostrar que se cumplen los requisitos sin conexión. La comparación se basa en documentación oficial, no en pruebas de precisión o velocidad.

La lista de archivos importa más que el número total de formatos

Supongamos que administración y el equipo técnico procesarán el mismo conjunto: normas en DOCX, formación en PPTX, registros en XLSX, DOC/PPT antiguos y PDF escaneados. Es un escenario de selección, no una prueba ya ejecutada. Incluya cada tipo en la lista de validación y no dé por validado un DOC antiguo solo porque un DOCX se haya procesado correctamente.

La documentación de formatos de Docling enumera DOCX, XLSX y PPTX, además de DOC, XLS y PPT antiguos, pero estos últimos necesitan LibreOffice. En cambio, la referencia de formatos de Kreuzberg indica que desde 4.3 los DOC/PPT antiguos se extraen de forma nativa, sin depender de LibreOffice. Si los archivos antiguos son una entrada habitual, esto cambia directamente qué componentes debe incluir el contenedor. No demuestra que una opción reconstruya de forma más completa todos los archivos antiguos.

Decidir qué se conserva antes de comparar las salidas

DoclingDocument reúne texto, tablas, imágenes y grupos de secciones en una estructura uniforme, distingue el cuerpo de encabezados y pies de página e incluye posición y procedencia cuando están disponibles. Ofrece un modelo intermedio explícito a equipos que necesitan conservar relaciones entre secciones y después producir textos para distintos usos. La contrapartida es que el posprocesamiento debe comprender ese modelo, no limitarse a guardar una exportación Markdown.

Kreuzberg tampoco puede reducirse a «solo extrae texto plano». Su referencia de tipos define una DocumentStructure con relaciones padre-hijo y nodos para títulos, párrafos, tablas y otros elementos. Los números de página y los cuadros delimitadores pueden estar vacíos. Haga que ambas opciones generen la estructura realmente necesaria y compruebe si los títulos de formación siguen unidos a su contenido y si los encabezados de los registros corresponden a las celdas. Tener campos estructurados no equivale a rellenarlos todos en cada archivo.

La pregunta más útil es qué estructura leen ya los sistemas posteriores y cuánta adaptación requiere la otra. Si solo se extrae texto periódicamente para búsquedas humanas, quizá no compense crear una capa compleja de conversión estructural. Si también se archiva por secciones y se conservan tablas, los resultados estructurados deben ser el objeto de almacenamiento a largo plazo.

La elección del OCR cambia la lista de despliegue

La documentación OCR de Docling enumera RapidOCR, EasyOCR, Tesseract y otros motores con distintas configuraciones lingüísticas. Al elegir Tesseract, deben prepararse los traineddata de los idiomas utilizados realmente. Instalar el paquete principal no significa que todos los idiomas de reconocimiento estén listos.

La guía OCR de Kreuzberg también ofrece varios backends: Tesseract requiere instalación en el sistema y datos de idiomas; PaddleOCR puede usar un backend nativo; EasyOCR se limita a Python. Por ello, una aplicación de negocio en Java no puede asumir que todas las opciones OCR de un ejemplo Python se trasladan sin cambios. En PDF mixtos, revise por separado las páginas con y sin capa de texto para confirmar que activan el OCR previsto.

Las diferencias de lenguaje merecen una evaluación aparte. El proyecto Docling ofrece uso en Python y acceso por línea de comandos. La documentación de instalación de Kreuzberg proporciona bindings para varios lenguajes, pero también indica que las funciones ONNX en x86_64 requieren AVX/AVX2. Los bindings de Go, Elixir y C/C++ en Windows dependen además de ONNX Runtime dinámico. Los bindings nativos pueden eliminar una capa de integración de servicios, pero no implican ausencia de bibliotecas locales o requisitos de hardware.

Validar «sin conexión» mediante un reinicio completo

Las opciones avanzadas de Docling indican que los modelos se descargan por defecto en el primer uso. Pueden prepararse con docling-tools models download y especificar una ruta local de artifacts. Los servicios de modelos remotos requieren activar expresamente enable_remote_services, pero ese ajuste controla el envío de datos del usuario y no impide las descargas de modelos. Los plugins de terceros tienen además el ajuste separado allow_external_plugins. Revise por separado los recursos de modelos, las llamadas remotas y los plugins: un interruptor no es una medida de aislamiento de red.

La documentación de línea de comandos de Kreuzberg ofrece kreuzberg cache warm para descargar previamente los modelos PaddleOCR y de detección de diseño. Otras capacidades activadas también requieren preparar sus recursos. Su integración LLM puede conectarse a motores locales o llamar a proveedores externos; VLM OCR envía las imágenes de las páginas al modelo elegido. Un programa autoalojado que se conecta a un endpoint externo sigue sin ser un proceso completamente desconectado.

Puede utilizarse el mismo protocolo para comparar ambos: fijar la versión del paquete, el backend OCR y los archivos de modelos; preparar las dependencias en un entorno nuevo; desconectar la red externa; y procesar después los distintos ejemplos desde un arranque en frío. Registre por separado recursos ausentes, archivos fallidos, elementos estructurales incompletos, pico de memoria y tiempo total. No presente resultados de extracción ya almacenados en caché como una nueva interpretación exitosa. Es un método de validación propuesto, no un resultado medido aquí.

Un proceso Python que ya utiliza DoclingDocument debería comprobar primero si puede continuarlo directamente. Un equipo centrado en integrar aplicaciones de varios lenguajes y con muchos archivos Office antiguos puede validar primero Kreuzberg. Si nadie se responsabiliza de los recursos de modelos, las actualizaciones de bibliotecas y las regresiones sin red, ninguna opción se vuelve automáticamente libre de mantenimiento por poder instalarse en local.

Nota sobre el contenido:Este artículo se basa en información pública y sirve como referencia para comparar y elegir herramientas. Las funciones, los precios y las políticas relacionadas pueden cambiar en cualquier momento; consulta la información oficial más reciente.

Fuente original:docling-project.github.io