Docling — המדריך המלא: המרת PDF ו-DOCX ל-Markdown ול-JSON עם טבלאות
Docling נולדה ב-IBM Research וכיום מתוחזקת כפרויקט קוד פתוח עצמאי. היא ממירה מסמכים לפלט מובנה שמתאים לחיפוש, להשוואה ולהזנה לכלי בינה מלאכותית. הקוד ברישיון MIT, והמודלים שהכלי מוריד כפופים לרישיונות שלהם.
Docling
Docling Project (originally IBM Research)
כלי קוד פתוח שממיר PDF, DOCX ותמונות סרוקות ל-Markdown או ל-JSON, עם זיהוי מבנה טבלאות ו-OCR, ופועל מקומית.
להורדה מאתר היצרןמה מקבלים
- קלט מגוון — בעיקר PDF, וגם DOCX ותמונות.
- שמירת מבנה — כותרות, סדר קריאה וטבלאות.
- OCR לבחירה — Tesseract, EasyOCR או RapidOCR לקבצים סרוקים.
- פלט Markdown או JSON — טקסט נקי או מבנה מלא לעיבוד בקוד.
- שורת פקודה ופייתון — קובץ בודד או שילוב בסקריפט.
טיפ מעשי ומגבלות
אם מסמכים בעברית חשובים לכם, בחרו מנוע OCR שתומך בעברית — Docling עצמה לא קובעת את השפה, והתוצאה על סריקות תלויה במנוע שבחרתם. ההתקנה כבדה ודורשת פייתון 3.10 ומעלה. היתרון הגדול: הכול רץ מקומית, ולכן מתאים גם למפרטים ולתוכניות של לקוחות.
כלים קשורים
למנוע OCR עם חבילות שפה רבות — Tesseract. לניתוח טבלאות מתקדם עד רמת תא — PaddleOCR. לחילוץ טבלאות בלבד מ-PDF עם טקסט — Camelot.
Tesseract OCR
Tesseract OCR project
מנוע זיהוי התווים הפתוח שמאחורי כלים רבים — המרת סריקות לטקסט ביותר ממאה שפות.
להורדה מאתר היצרן
PaddleOCR
PaddlePaddle (Baidu)
ספריית OCR וניתוח מסמכים בקוד פתוח בפייתון: זיהוי טקסט בעשרות שפות, פריסת עמוד, טבלאות והמרת PDF ל-Markdown או JSON.
להורדה מאתר היצרן
Camelot
Camelot developers (camelot-dev)
ספריית פייתון לחילוץ טבלאות מקובצי PDF לטבלת נתונים, CSV, Excel או JSON, עם כמה שיטות ניתוח לטבלאות עם קווים ובלי קווים.
להורדה מאתר היצרן
Surya
Datalab
ערכת OCR בפייתון ביותר מ-90 שפות, עם ניתוח פריסה וסדר קריאה, זיהוי טבלאות ונוסחאות כ-LaTeX; המודלים חינם לשימוש אישי ולמחקר.
להורדה מאתר היצרןהשורה התחתונה
דרך חינמית ומקומית להפוך ערימת תקנים ודוחות לטקסט מובנה שאפשר לעבוד איתו — בתנאי שאתם מסתדרים עם שורת פקודה.