Docling 与 Kreuzberg:混合办公文件本地提取,结构与依赖怎样取舍

已有 Python 与 DoclingDocument 流程可先评估 Docling;需要多语言应用内集成、处理大量旧版 Office 文件时,可先验证 Kreuzberg。比较结构输出、OCR 后端和运行依赖,并用准备好模型后的断网冷启动确认离线边界。

来源: docling-project.github.io
2026年11月11日
6 min

企业把共享盘里的 Word、演示文稿、电子表格和扫描件搬进本地资料处理流程时,首先要决定的是:下游需要怎样的文档结构,现有应用能承担哪些运行依赖,以及断网后能否重新启动处理。

如果团队已经围绕 Python 和 DoclingDocument 编写后处理,优先评估 Docling;如果希望在 Java、TypeScript 或 Rust 应用内直接接入提取能力,并减少旧版 Office 文件的外部转换依赖,Kreuzberg 值得先试。两者都需要按实际格式和 OCR 配置验收,不能仅凭“本地运行”判断已经满足离线要求。这不是准确率或速度的实测排名。

文件清单比支持格式总数更有用

假设行政与技术团队要处理同一批制度 DOCX、培训 PPTX、台账 XLSX、旧版 DOC/PPT 和扫描 PDF。这是选型场景,不是已经执行的测试。先把这些文件分别列入验收清单,尤其不要把 DOCX 的成功当成旧版 DOC 也已经通过。

Docling 的格式说明列出 DOCX、XLSX、PPTX,也支持旧版 DOC、XLS、PPT,但后者需要 LibreOffice。相比之下,Kreuzberg 的格式参考说明,从 4.3 起,旧版 DOC/PPT 使用原生提取,不再依赖 LibreOffice。如果旧文件是日常输入,这会直接改变容器需要带入哪些组件;它并不能证明某一方能更完整地还原所有旧文件。

先确定保存什么,再比较输出

DoclingDocument把文本、表格、图片及章节分组放进统一结构,区分正文与页眉页脚,并在可用时携带位置和来源信息。对于要保留章节关系、之后再生成不同用途文本的团队,这提供了明确的中间数据模型。代价是后处理要理解这一模型,而不能只保存一次导出的 Markdown。

Kreuzberg 也不能简单归为“只提取纯文本”。它的类型参考定义了带父子关系的 DocumentStructure,节点可表达标题、段落、表格等,页码和边界框允许为空。因此,应让双方输出实际需要的结构,再检查培训材料中的标题是否仍连接到相应内容、台账的表头是否仍对应单元格。拥有结构字段与每份文件都能填全字段,是两回事。

选择时更有用的问题是:现有下游已经读取哪一种结构,另一种结构需要增加多少适配?如果只是定期提取文字供人工搜索,建立复杂的结构转换层可能不值得;如果还要按章节归档并保留表格,就应把结构化结果作为长期保存对象。

OCR 的选择会改变部署清单

Docling 的 OCR 文档列出 RapidOCR、EasyOCR、Tesseract 等引擎及不同语言配置。选择 Tesseract 时,要准备实际使用语言的 traineddata;安装主包不等于所有识别语言都已经就绪。

Kreuzberg 的 OCR 指南同样提供多种后端:Tesseract 需要系统安装与语言数据,PaddleOCR 可使用原生后端,EasyOCR 则限于 Python。这样,即使业务应用使用 Java,也不能假设 Python 示例中的每一种 OCR 选择都能原样搬过去。混合 PDF 中有文字层和没有文字层的页面,也应分别检查是否触发了预期的 OCR。

运行语言的差异值得单独评估。Docling 项目提供 Python 使用方式与命令行入口;Kreuzberg 安装文档提供多语言绑定,但也注明 x86_64 上的 ONNX 功能需要 AVX/AVX2,Windows 的 Go、Elixir、C/C++ 绑定还有动态 ONNX Runtime 依赖。原生绑定可以减少一层服务接入,却不代表没有本机运行库或硬件条件。

把“离线”作为一次完整重启测试

Docling 的高级选项说明模型默认首次使用时下载,可提前用 docling-tools models download 准备,并指定本地 artifacts 路径。远程模型服务需要显式开启 enable_remote_services,但这个开关控制发送用户数据,不负责阻止模型下载。第三方插件也有单独的 allow_external_plugins 开关。应分别核对模型资产、远程调用与插件,不能把一个开关当作网络隔离措施。

Kreuzberg 的命令行文档提供 kreuzberg cache warm,预下载 PaddleOCR 与版面检测模型;启用其他能力时,还应准备对应资产。它的LLM 集成既能连接本地推理引擎,也能调用外部提供商,VLM OCR 会把页面图像发送到所选模型。自托管程序若连接了外部端点,仍不是全流程离线。

比较双方时,可采用同一份验收方案:固定包版本、OCR 后端和模型文件,在准备好依赖的全新运行环境中断开外网,再从冷启动处理各类样本。分别记录缺失资源、失败文件、结构缺项、峰值内存和完成时间;不要用已经缓存的提取结果冒充重新解析成功。这是建议的验证方法,不是本文已测得的结果。

最终,已经采用 DoclingDocument 的 Python 流程,通常应先确认能否直接延续;以多语言应用内集成为主、旧版 Office 文件又很多的团队,可以先验证 Kreuzberg。若没有人负责模型资产、运行库更新和断网回归,两者都不会因为能安装到本地就自动变成免维护方案。

内容说明:本文基于公开资料整理,仅供工具选型参考。产品功能、价格及相关政策可能随时调整,请以官方最新信息为准。

原文出处:docling-project.github.io