Docling ou Kreuzberg : arbitrer entre structure et dépendances pour extraire localement des fichiers bureautiques variés
Avec un processus Python et DoclingDocument existant, évaluez d’abord Docling. Pour une intégration directe dans des applications de plusieurs langages et de nombreux anciens fichiers Office, vérifiez d’abord Kreuzberg. Comparez structures de sortie, backends OCR et dépendances, puis confirmez les limites hors ligne par un démarrage à froid sans réseau après préparation des modèles.
Lorsqu’une entreprise intègre les documents Word, présentations, feuilles de calcul et scans d’un disque partagé à un traitement local, elle doit d’abord décider de la structure attendue en aval, des dépendances d’exécution que ses applications peuvent prendre en charge et de la possibilité de relancer le traitement sans connexion réseau.
Si l’équipe a déjà écrit son post-traitement autour de Python et de DoclingDocument, évaluez Docling en priorité. Si elle veut intégrer directement l’extraction à des applications Java, TypeScript ou Rust et réduire les conversions externes des anciens fichiers Office, Kreuzberg mérite un premier essai. Les deux doivent être validés selon les formats et configurations OCR réels. Le simple « fonctionnement local » ne prouve pas le respect des exigences hors ligne. Cette comparaison repose sur les documents officiels, pas sur des tests de précision ou de vitesse.
Une liste de fichiers vaut mieux que le nombre total de formats
Supposons que les équipes administrative et technique traitent le même lot: procédures en DOCX, formations en PPTX, registres en XLSX, anciens DOC/PPT et PDF scannés. C’est un scénario de sélection, pas un test déjà exécuté. Inscrivez ces fichiers séparément dans la liste de validation, sans considérer notamment qu’un DOCX réussi prouve la réussite d’un ancien DOC.
Les formats documentés par Docling comprennent DOCX, XLSX et PPTX, ainsi que les anciens DOC, XLS et PPT, mais ces derniers nécessitent LibreOffice. À l’inverse, la référence des formats Kreuzberg indique qu’à partir de 4.3, les anciens DOC/PPT bénéficient d’une extraction native sans dépendance à LibreOffice. Si les anciens fichiers sont quotidiens, cela change directement les composants à inclure dans le conteneur. Cela ne prouve pas qu’un outil restitue plus complètement tous les anciens fichiers.
Définir ce qui sera conservé avant de comparer les sorties
DoclingDocument rassemble texte, tableaux, images et groupes de sections dans une structure unifiée. Il distingue le corps du document des en-têtes et pieds de page et conserve les positions et provenances lorsqu’elles sont disponibles. Pour une équipe voulant préserver les relations entre sections puis produire des textes pour différents usages, c’est un modèle intermédiaire explicite. En contrepartie, le post-traitement doit comprendre ce modèle, et non conserver seulement un export Markdown ponctuel.
Kreuzberg ne se réduit pas non plus à « l’extraction de texte brut ». Sa référence des types définit une DocumentStructure avec relations parent-enfant, dont les nœuds représentent notamment titres, paragraphes et tableaux. Les numéros de page et cadres de délimitation peuvent être vides. Faites donc produire aux deux outils la structure réellement nécessaire, puis vérifiez que les titres de formation restent reliés à leur contenu et que les en-têtes des registres correspondent toujours aux cellules. Disposer de champs structurés ne signifie pas pouvoir les remplir intégralement pour chaque fichier.
La question utile est plutôt: quelle structure l’existant en aval lit-il déjà, et quelle adaptation l’autre exige-t-elle ? Si l’on extrait périodiquement du texte pour une recherche humaine, une couche complexe de conversion structurelle peut être superflue. Si l’on doit aussi archiver par sections et conserver les tableaux, les résultats structurés doivent devenir des objets de conservation à long terme.
Le choix OCR change la liste de déploiement
La documentation OCR de Docling présente RapidOCR, EasyOCR, Tesseract et d’autres moteurs, avec leurs configurations linguistiques. Pour Tesseract, il faut préparer les traineddata des langues réellement utilisées. Installer le paquet principal ne signifie pas que toutes les langues de reconnaissance soient prêtes.
Le guide OCR de Kreuzberg propose lui aussi plusieurs backends: Tesseract nécessite une installation système et les données linguistiques; PaddleOCR peut utiliser un backend natif; EasyOCR est réservé à Python. Une application métier en Java ne peut donc pas supposer que chaque option OCR d’un exemple Python soit transposable telle quelle. Dans les PDF mixtes, vérifiez séparément les pages avec et sans couche texte pour confirmer le déclenchement attendu de l’OCR.
Les différences de langages méritent une évaluation distincte. Le projet Docling fournit une utilisation Python et une interface en ligne de commande. La documentation d’installation Kreuzberg propose des liaisons pour plusieurs langages, tout en précisant que les fonctions ONNX sur x86_64 nécessitent AVX/AVX2. Sous Windows, les liaisons Go, Elixir et C/C++ dépendent aussi d’un ONNX Runtime dynamique. Des liaisons natives peuvent supprimer une couche d’intégration de service, sans supprimer les bibliothèques locales ou conditions matérielles.
Tester le hors-ligne par un redémarrage complet
Les options avancées de Docling indiquent que les modèles sont téléchargés par défaut à la première utilisation. Ils peuvent être préparés avec docling-tools models download, en indiquant un chemin artifacts local. Les services de modèles distants exigent l’activation explicite de enable_remote_services, mais ce réglage contrôle l’envoi des données utilisateur et n’empêche pas le téléchargement des modèles. Les plugins tiers disposent aussi du réglage séparé allow_external_plugins. Vérifiez séparément ressources de modèles, appels distants et plugins: un seul interrupteur ne constitue pas une isolation réseau.
La documentation de ligne de commande de Kreuzberg fournit kreuzberg cache warm pour prétélécharger les modèles PaddleOCR et de détection de mise en page. D’autres capacités activées nécessitent leurs ressources propres. Son intégration LLM peut joindre des moteurs locaux ou des fournisseurs externes; VLM OCR transmet les images des pages au modèle sélectionné. Un programme auto-hébergé connecté à un endpoint externe ne constitue toujours pas une chaîne entièrement hors ligne.
Un même protocole peut comparer les deux: fixer versions des paquets, backend OCR et fichiers de modèles; préparer les dépendances dans un environnement neuf; couper l’accès externe; puis traiter les différents échantillons après un démarrage à froid. Relevez séparément ressources absentes, fichiers en échec, éléments structurels manquants, pic mémoire et durée. Ne présentez pas des résultats d’extraction déjà en cache comme une nouvelle analyse réussie. C’est une méthode de vérification proposée, pas un résultat mesuré dans cet article.
Un processus Python utilisant déjà DoclingDocument doit généralement commencer par vérifier s’il peut être prolongé directement. Une équipe axée sur l’intégration dans des applications de plusieurs langages et traitant beaucoup d’anciens Office peut commencer par Kreuzberg. Sans responsable des ressources de modèles, des mises à jour des bibliothèques et des régressions hors ligne, aucun des deux ne devient automatiquement sans maintenance parce qu’il s’installe localement.
À propos de cet article :Cet article s’appuie sur des informations publiques et sert de référence pour vous aider à choisir vos outils. Les fonctionnalités, les tarifs et les politiques associées peuvent évoluer à tout moment ; veuillez consulter les informations officielles les plus récentes.
Source originale :docling-project.github.io