Docling 與 Kreuzberg:混合辦公檔案在本機擷取,如何取捨結構與相依項目
已有 Python 與 DoclingDocument 流程可先評估 Docling;需要在多語言應用程式內整合、處理大量舊版 Office 檔案時,可先驗證 Kreuzberg。比較結構輸出、OCR 後端與執行相依項目,並在備妥模型後以斷網冷啟動確認離線邊界。
企業將共享磁碟中的 Word、簡報、試算表與掃描檔移入本機資料處理流程時,首先要決定的是:下游需要什麼文件結構、既有應用程式能承擔哪些執行相依項目,以及斷網後能否重新啟動處理。
如果團隊已圍繞 Python 和 DoclingDocument 撰寫後處理,優先評估 Docling;如果希望在 Java、TypeScript 或 Rust 應用程式中直接整合擷取功能,並減少舊版 Office 檔案的外部轉換依賴,Kreuzberg 值得先試。兩者都需要依實際格式與 OCR 設定驗收,不能僅憑「本機執行」就認定已符合離線要求。这不是準確率或速度的實測排名。
檔案清單比支援格式總數更有用
假設行政與技術團隊要處理同一批制度 DOCX、訓練 PPTX、台帳 XLSX、舊版 DOC/PPT 與掃描 PDF。這是選型情境,不是已執行的測試。先將這些檔案分別列入驗收清單,尤其不要將 DOCX 成功視為舊版 DOC 也已通過。
Docling 的格式說明列出 DOCX、XLSX、PPTX,也支援舊版 DOC、XLS、PPT,但後者需要 LibreOffice。相較之下,Kreuzberg 的格式參考說明,從 4.3 起,舊版 DOC/PPT 採原生擷取,不再依賴 LibreOffice。若舊檔案是日常輸入,這會直接改變容器需要包含哪些元件;但不能據此證明任一方能更完整地還原所有舊檔案。
先確定保存內容,再比較輸出
DoclingDocument將文字、表格、圖片及章節分組放入統一結構,區分正文與頁首頁尾,並在可用時附帶位置和來源資訊。對需要保留章節關係、之後再產生不同用途文字的團隊,它提供了明確的中介資料模型。代價是後處理必須理解這個模型,不能只保存一次匯出的 Markdown。
Kreuzberg 也不能簡單歸為「只擷取純文字」。它的型別參考定義了具有父子關係的 DocumentStructure,節點可表達標題、段落、表格等,頁碼與邊界框允許為空。因此,應讓雙方輸出實際需要的結構,再檢查訓練教材的標題是否仍連接對應內容、台帳的表頭是否仍對應儲存格。具有結構欄位,與每份檔案都能填滿欄位,是兩回事。
選擇時,更有用的問題是:既有下游已讀取哪種結構,另一種結構需要多少額外適配?若只是定期擷取文字供人工搜尋,建立複雜結構轉換層可能不值得;若還要依章節歸檔並保留表格,就應將結構化結果作為長期保存對象。
OCR 選擇會改變部署清單
Docling 的 OCR 文件列出 RapidOCR、EasyOCR、Tesseract 等引擎與不同語言設定。選擇 Tesseract 時,要準備實際使用語言的 traineddata;安裝主套件不代表所有辨識語言都已就緒。
Kreuzberg 的 OCR 指南同樣提供多種後端:Tesseract 需要系統安裝與語言資料,PaddleOCR 可使用原生後端,EasyOCR 則限於 Python。因此,即使業務應用程式使用 Java,也不能假定 Python 範例中的每一種 OCR 選擇都能原樣移植。混合 PDF 中有文字層與無文字層的頁面,也應分別檢查是否觸發預期 OCR。
執行語言的差異值得另行評估。Docling 專案提供 Python 使用方式與命令列入口;Kreuzberg 安裝文件提供多語言繫結,但也註明 x86_64 上的 ONNX 功能需要 AVX/AVX2,Windows 的 Go、Elixir、C/C++ 繫結另有動態 ONNX Runtime 相依項目。原生繫結可以減少一層服務整合,卻不代表沒有本機執行函式庫或硬體條件。
將「離線」做成一次完整重啟測試
Docling 的進階選項說明,模型預設在首次使用時下載,可事先以 docling-tools models download 準備,並指定本機 artifacts 路徑。遠端模型服務需明確開啟 enable_remote_services,但這個開關控制的是傳送使用者資料,不負責阻止模型下載。第三方外掛也有獨立的 allow_external_plugins 開關。應分別核對模型資產、遠端呼叫與外掛,不能將單一開關當成網路隔離措施。
Kreuzberg 的命令列文件提供 kreuzberg cache warm,預先下載 PaddleOCR 與版面偵測模型;啟用其他功能時,也應準備對應資產。它的 LLM 整合既能連接本機推論引擎,也能呼叫外部供應商,VLM OCR 會將頁面影像傳至所選模型。自架程式若連接外部端點,仍不算全流程離線。
比較雙方時,可採同一套驗收方案:固定套件版本、OCR 後端和模型檔案,在備妥相依項目的全新執行環境中斷開外網,再從冷啟動處理各類樣本。分別記錄缺少的資源、失敗檔案、結構缺漏、記憶體峰值與完成時間;不要拿已快取的擷取結果充當重新解析成功。這是建議的驗證方法,不是本文已測得的結果。
最後,已採用 DoclingDocument 的 Python 流程,通常應先確認能否直接延續;以多語言應用程式內整合為主、又有大量舊版 Office 檔案的團隊,可先驗證 Kreuzberg。若沒有人負責模型資產、執行函式庫更新與斷網回歸測試,兩者都不會因為能安裝到本機,就自動成為免維護方案。
內容說明:本文基於公開資料整理,僅供工具選型參考。產品功能、價格及相關政策可能隨時調整,請以官方最新資訊為準。