Docling

Antes de um modelo de IA responder sobre um contrato ou um relatório, alguém precisa transformar o arquivo em texto limpo, com tabelas, títulos e ordem de leitura no lugar. O Docling faz essa conversão localmente. O projeto nasceu na IBM Research Zurich e hoje fica sob a LF AI & Data Foundation.

Para que serve

• Converter PDF, DOCX, PPTX, XLSX, HTML, EPUB, e-mails e imagens em Markdown, HTML ou JSON.
• Ler PDF escaneado e imagem com OCR, técnica que o post sobre o que é OCR explica.
• Recuperar estrutura de tabela, fórmulas e blocos de código de PDFs com layout complicado.
• Transcrever áudio em WAV ou MP3 com reconhecimento de fala.
• Entregar o documento pronto para LangChain, LlamaIndex, CrewAI ou Haystack, ou para um agente por meio do servidor MCP.

Como começar

O Docling pede Python 3.10 ou superior. A instalação e o primeiro uso pela linha de comando cabem em duas linhas:

pip install docling
docling https://arxiv.org/pdf/2206.01062

O comando gera um arquivo Markdown na pasta atual. Além da CLI, há um servidor de API (docling-serve) e a opção de usar o modelo de visão GraniteDocling. O README cita uso com dados sensíveis e em ambiente isolado da internet. Você não precisa subir o arquivo para um conversor de PDF online de terceiros.

Licença e custo

A licença do código é MIT, que libera uso comercial e cobra apenas a presença do aviso de copyright no software. O README avisa que cada modelo usado pode ter licença própria, então confira os modelos antes de um uso comercial. O README e a página inicial da documentação não descrevem plano pago.

Quando vale a pena

Atende quem monta busca ou RAG sobre documentos internos e precisa transformar dados não estruturados em texto organizado. Para converter um arquivo de vez em quando, um editor de PDF comum resolve sem instalar Python. O MarkItDown, da Microsoft, faz um trabalho parecido de converter documentos em Markdown.