Docling: ordineer rommelige documenten naar gestructureerde data

Samenvatting

Docling zet rommelige PDF’s, facturen en presentaties om in één gestructureerde representatie voor mensen en AI-systemen.

Docling voor documentverwerking

Docling is een opensourcetoolkit die documenten uit verschillende formaten omzet naar één gestructureerde representatie. De tool verwerkt onder meer gescande facturen, meerkolomsdocumenten en PowerPoint-presentaties, zodat downstream-systemen niet zelf hoeven te raden wat losse tekst betekent.

Het project begon binnen het AI for Knowledge-team van IBM Research Zurich. Inmiddels valt Docling onder de LF AI & Data Foundation en gebruikt het een MIT-licentie. De GitHub-repository telt in 2026 meer dan 64.000 sterren en bijna 4.600 forks.

Docling herkent documentonderdelen zoals tabellen, alinea’s en koppen. Dat is nodig omdat een PDF deze structuur niet vanzelf vastlegt: tekst staat er vooral als posities op een pagina. Een eenvoudige tekstextractor kan daardoor kolommen door elkaar halen en tabelcellen samenvoegen.

Waarom Docling relevant is voor BI

BI-processen beginnen niet altijd met nette tabellen. Een rapport kan de benodigde cijfers bevatten, maar handmatig kopiëren blijft foutgevoelig en een parser voor één document kost tijd. Docling verplaatst dat werk naar een herhaalbare verwerkingsstap waarin de documentstructuur behouden blijft.

De bron beschrijft bovendien schema-gebaseerde extractie met werkende Python-code, van een beginnersstart tot een resultaat dat programma’s kunnen verwerken. Dat maakt de toolkit interessant voor teams die documentinhoud naar verdere analyses of AI-systemen brengen. De technische onderbouwing bestaat niet alleen uit productinformatie: het project verwijst ook naar een technisch rapport.

Concrete takeaway voor Docling

Test Docling met een representatieve set documenten en controleer vooral tabellen, kolommen en gescande pagina’s. Leg daarna een schema vast voor de velden die je uit documenten nodig hebt. Zo zie je snel of de tool handmatig overtypen of een losse parser per document kan vervangen.