Docling e Kreuzberg: estrutura e dependências na extração local de arquivos Office
Avalie primeiro o Docling se já utiliza Python e DoclingDocument; teste primeiro o Kreuzberg quando precisar integrar a extração em aplicações de várias linguagens e processar muitos arquivos Office antigos. Compare a saída estruturada, os backends de OCR e as dependências de execução, e confirme os limites offline com uma inicialização a frio após preparar os modelos.
Quando uma empresa leva arquivos Word, apresentações, planilhas e digitalizações de uma unidade compartilhada para um fluxo local de processamento de documentos, as primeiras decisões são a estrutura necessária aos sistemas seguintes, as dependências que as aplicações existentes conseguem manter e a possibilidade de reiniciar o processamento sem internet.
Se a equipe já desenvolve o pós-processamento com Python e DoclingDocument, vale avaliar primeiro o Docling. Se pretende incorporar a extração em aplicações Java, TypeScript ou Rust e reduzir dependências externas de conversão de arquivos Office antigos, o Kreuzberg merece um teste inicial. Ambos exigem validação dos formatos e da configuração de OCR realmente usados; “executar localmente” não comprova, por si só, que o fluxo está pronto para funcionar offline. A comparação se baseia na documentação oficial, não em uma classificação de precisão ou velocidade medida em testes.
Uma lista de arquivos é mais útil que a contagem de formatos
Suponha que uma equipe administrativa e técnica precise processar, no mesmo lote, políticas em DOCX, apresentações de treinamento em PPTX, registros em XLSX, arquivos antigos DOC/PPT e PDFs digitalizados. Trata-se de um cenário de seleção, não de um teste realizado. Inclua cada tipo nos critérios de aceitação e, sobretudo, não considere o sucesso com DOCX como prova de que o DOC antigo também foi aprovado.
A documentação de formatos do Docling lista DOCX, XLSX e PPTX, além dos antigos DOC, XLS e PPT, mas estes últimos exigem LibreOffice. Já a referência de formatos do Kreuzberg informa que, desde a versão 4.3, a extração de DOC/PPT antigos é nativa e não depende mais do LibreOffice. Quando arquivos antigos fazem parte da rotina, isso muda diretamente os componentes que o contêiner precisa incluir. Não prova, porém, qual ferramenta reconstrói todos esses arquivos de maneira mais completa.
Decida o que guardar antes de comparar a saída
O DoclingDocument reúne textos, tabelas, imagens e agrupamentos de seções em uma estrutura unificada, distingue o corpo dos cabeçalhos e rodapés e inclui informações de posição e procedência quando disponíveis. Para equipes que precisam preservar relações entre seções antes de gerar textos para usos diferentes, ele oferece um modelo intermediário explícito. Em contrapartida, o pós-processamento precisa entender esse modelo, em vez de apenas guardar uma exportação em Markdown.
Também seria incorreto reduzir o Kreuzberg à “extração de texto simples”. Sua referência de tipos define DocumentStructure com relações entre pais e filhos; os nós podem representar títulos, parágrafos, tabelas e outros conteúdos, enquanto números de página e caixas delimitadoras podem ser nulos. Peça às duas ferramentas a estrutura de que realmente precisa e verifique se os títulos do material de treinamento continuam associados ao conteúdo correto e se os cabeçalhos dos registros ainda correspondem às células. Dispor de campos estruturais não significa preenchê-los completamente em todos os arquivos.
A pergunta mais útil para escolher é qual estrutura os sistemas seguintes já consomem e quanto trabalho seria necessário para adaptar a outra. Se o objetivo é apenas extrair texto periodicamente para pesquisa por pessoas, talvez não compense criar uma camada complexa de conversão estrutural. Se também for necessário arquivar por seção e preservar tabelas, os resultados estruturados devem ser guardados a longo prazo.
A escolha do OCR muda as dependências de implantação
A documentação de OCR do Docling lista mecanismos como RapidOCR, EasyOCR e Tesseract, com diferentes configurações de idioma. Ao escolher Tesseract, é preciso preparar os arquivos traineddata dos idiomas efetivamente utilizados; instalar o pacote principal não deixa todos os idiomas de reconhecimento prontos.
O guia de OCR do Kreuzberg também oferece vários backends: Tesseract exige instalação no sistema e dados de idioma, PaddleOCR pode usar um backend nativo e EasyOCR está limitado ao Python. Assim, uma aplicação empresarial em Java não deve presumir que todas as opções de OCR de um exemplo Python possam ser transferidas sem alterações. Nos PDFs híbridos, também é necessário verificar separadamente se as páginas com e sem camada de texto acionam o comportamento de OCR esperado.
A linguagem de execução merece uma avaliação própria. O projeto Docling oferece uso em Python e uma interface de linha de comando. A documentação de instalação do Kreuzberg apresenta bindings para várias linguagens, mas informa que os recursos ONNX em x86_64 exigem AVX/AVX2 e que os bindings Go, Elixir e C/C++ no Windows possuem uma dependência dinâmica do ONNX Runtime. Bindings nativos podem dispensar uma camada de integração por serviço, mas não eliminam bibliotecas nativas nem requisitos de hardware.
Valide o funcionamento offline com uma reinicialização completa
As opções avançadas do Docling explicam que, por padrão, os modelos são baixados no primeiro uso. É possível prepará-los com docling-tools models download e indicar um caminho local para os artefatos. Serviços remotos de modelos exigem ativar explicitamente enable_remote_services, mas essa opção controla o envio de dados do usuário, não o download de modelos. Os plugins de terceiros têm uma opção separada, allow_external_plugins. Verifique os arquivos dos modelos, as chamadas remotas e os plugins individualmente, sem tratar uma única opção como isolamento de rede.
A documentação da CLI do Kreuzberg oferece kreuzberg cache warm para baixar previamente os modelos de PaddleOCR e detecção de layout; ao ativar outros recursos, prepare também os arquivos correspondentes. Sua integração com LLMs pode conectar mecanismos locais de inferência ou provedores externos, e o OCR com VLM envia as imagens das páginas ao modelo escolhido. Um programa hospedado internamente que utiliza um endpoint externo ainda não constitui um fluxo inteiramente offline.
Use o mesmo plano de aceitação para as duas ferramentas: fixe versões dos pacotes, backends de OCR e arquivos de modelos; em um ambiente de execução novo com as dependências preparadas, desconecte o acesso à rede externa e processe cada tipo de amostra a partir de uma inicialização a frio. Registre separadamente recursos ausentes, arquivos com falha, campos estruturais faltantes, pico de memória e tempo de conclusão. Não apresente resultados de extração em cache como se fossem uma nova análise bem-sucedida. Este é um método de verificação proposto, não um resultado medido neste artigo.
Em resumo, um fluxo Python que já usa DoclingDocument geralmente deve verificar primeiro se pode continuar diretamente. Equipes voltadas à integração dentro de aplicações em várias linguagens, com muitos arquivos Office antigos, podem testar primeiro o Kreuzberg. Se ninguém se responsabilizar pelos arquivos dos modelos, pelas atualizações das bibliotecas de execução e pelos testes de regressão offline, nenhuma das ferramentas ficará livre de manutenção só por estar instalada localmente.
Nota sobre o conteúdo:Este artigo foi elaborado com base em informações públicas e serve como referência para a escolha de ferramentas. Os recursos, os preços e as políticas relacionadas podem mudar a qualquer momento; consulte as informações oficiais mais recentes.
Fonte original:docling-project.github.io