Docling と Kreuzberg:混在するオフィス文書のローカル抽出で、構造と依存関係をどう選ぶか

Python と DoclingDocument のフローがあるなら Docling、多言語アプリ内への組み込みと大量の旧 Office 文書処理が必要なら Kreuzberg を先に検証できる。構造化出力、OCR バックエンド、実行依存関係を比較し、モデル準備後の切断状態でのコールドスタートでオフラインの境界を確かめたい。

ソース: docling-project.github.io
2026年11月11日
9 min

共有ドライブの Word、プレゼンテーション、表計算、スキャン文書をローカル処理へ移す企業が最初に決めるべきなのは、下流が必要とする文書構造、既存アプリで引き受けられる実行依存関係、ネット接続を切っても処理を再起動できるかだ。

Python と DoclingDocument を中心に後処理を書いているチームは Docling を先に評価する。Java、TypeScript、Rust のアプリへ抽出機能を直接組み込み、旧 Office 文書の外部変換依存を減らしたいなら Kreuzberg を先に試す価値がある。どちらも実際の形式と OCR 設定で検証する必要があり、「ローカル実行」だけでオフライン要件を満たすとは判断できない。以下は 精度や速度の実測順位ではない。

対応形式の総数よりファイル一覧が役立つ

管理部門と技術チームが、規程の DOCX、研修の PPTX、台帳の XLSX、旧版 DOC/PPT、スキャン PDF を同じ一組として処理するとしよう。これは選定シナリオであり、実施済みのテストではない。それぞれを検証一覧に入れ、特に DOCX の成功を旧 DOC も合格した意味にしないことが重要だ。

Docling の形式説明は DOCX、XLSX、PPTX に加え、旧 DOC、XLS、PPT も対応するが、後者には LibreOffice が必要だ。一方、Kreuzberg の形式リファレンスによると、4.3 以降の旧 DOC/PPT はネイティブ抽出になり LibreOffice に依存しなくなった。旧ファイルが日常の入力なら、コンテナーに含める部品が直接変わる。ただし、どちらがすべての旧ファイルをより完全に復元するかの証明にはならない。

保存するものを先に決めてから出力を比べる

DoclingDocumentはテキスト、表、画像、節のグループを統一構造に入れ、本文とヘッダー・フッターを区別し、利用可能な場合は位置と出所の情報を持たせる。節の関係を残し、後から用途別のテキストを生成したいチームにとって、明確な中間データモデルになる。その代わり後処理がこのモデルを理解する必要があり、一度出力した Markdown を保存するだけでは足りない。

Kreuzberg も「プレーンテキストを抽出するだけ」と分類してはいけない。型リファレンスは親子関係を持つ DocumentStructure を定義し、ノードで見出し、段落、表などを表せるが、ページ番号と境界ボックスは空でもよい。そのため両者に必要な構造を出力させ、研修資料の見出しが対応内容とつながるか、台帳の見出しがセルに対応するかを確認するべきだ。構造フィールドがあることと、どの文書でも完全に埋まることは別である。

選択で有益なのは、既存の下流がどの構造を読んでおり、別構造にはどれだけ適合作業が必要かという問いだ。定期的な文字抽出と人による検索だけなら、複雑な構造変換層を作る価値は低いかもしれない。節ごとの保管や表の保持も必要なら、構造化結果を長期保存対象にするべきだ。

OCR の選択で配備するものが変わる

Docling の OCR ドキュメントは RapidOCR、EasyOCR、Tesseract などのエンジンと各言語の設定を挙げる。Tesseract を選ぶなら実際に使う言語の traineddata を準備する必要があり、主パッケージを入れてもすべての認識言語が揃うわけではない。

Kreuzberg の OCR ガイドも複数のバックエンドを提供する。Tesseract はシステムへのインストールと言語データが必要で、PaddleOCR はネイティブバックエンドを使え、EasyOCR は Python 限定だ。業務アプリが Java でも、Python サンプルのあらゆる OCR 選択肢をそのまま移せるとは限らない。混在 PDF のテキスト層があるページとないページも、それぞれ意図した OCR が起動するか確認すべきだ。

実行言語の違いも別途評価したい。Docling プロジェクトは Python とコマンドラインの入口を提供する。Kreuzberg のインストールドキュメントは多言語バインディングを提供するが、x86_64 の ONNX 機能には AVX/AVX2 が必要で、Windows の Go、Elixir、C/C++ バインディングには動的 ONNX Runtime への依存もある。ネイティブバインディングでサービス連携の層を一つ減らせても、ローカルの実行ライブラリやハードウェア条件がなくなるわけではない。

「オフライン」を完全な再起動テストにする

Docling の高度なオプションでは、モデルは既定で初回利用時にダウンロードし、docling-tools models download で事前に準備してローカルの artifacts パスを指定できる。リモートモデルサービスには enable_remote_services の明示的な有効化が必要だが、このスイッチが制御するのはユーザーデータ送信であり、モデルのダウンロードを防ぐものではない。サードパーティープラグインには別の allow_external_plugins スイッチもある。モデル資産、リモート呼び出し、プラグインを分けて確認し、一つのスイッチをネットワーク隔離策と見なしてはいけない。

Kreuzberg のコマンドラインドキュメントは kreuzberg cache warm を提供し、PaddleOCR とレイアウト検出モデルを事前取得できる。他の機能を有効にするなら対応資産も準備する。LLM 連携はローカル推論エンジンにも外部プロバイダーにも接続でき、VLM OCR はページ画像を選択したモデルに送る。自分でホストするプログラムでも、外部エンドポイントに接続すれば全工程オフラインではない。

両者の比較には同じ検証案を使える。パッケージ版、OCR バックエンド、モデルファイルを固定し、依存関係を揃えた新規実行環境で外部ネットワークを切り、コールドスタートから各種サンプルを処理する。不足リソース、失敗ファイル、構造の欠落、ピークメモリ、完了時間を別々に記録し、キャッシュ済みの抽出結果を再解析成功の代わりにしてはいけない。これは推奨検証方法であり、本稿が測定済みの結果ではない。

最後に、DoclingDocument を採用済みの Python フローなら、まずそのまま継続できるかを確認するのが通常はよい。多言語アプリへの直接組み込みが中心で旧 Office 文書も多いチームは、Kreuzberg を先に検証できる。モデル資産、実行ライブラリの更新、切断状態の回帰試験を担当する人がいなければ、どちらもローカルへインストールできるというだけで保守不要にはならない。

内容説明:本記事は公開情報をもとに整理した、ツール選定の参考情報です。機能、料金、関連ポリシーは随時変更される場合があります。最新の公式情報をご確認ください。

元の出典:docling-project.github.io