Seminar Docling – Grundlagen der strukturierten Dokumentenverarbeitung

Text aus einer PDF-Datei zu lesen genügt häufig nicht, um den Inhalt sinnvoll weiterzuverarbeiten. Überschriften, Absätze, Tabellen und Lesereihenfolge bestimmen, welche Informationen zusammengehören. Das Seminar vermittelt den Einstieg in Docling und zeigt, wie aus unterschiedlichen Dokumenten eine einheitlich verarbeitbare Darstellung entsteht.

Die Übungen beginnen mit einer kontrollierten lokalen Umgebung und vorbereiteten Modellartefakten. Digitale PDFs und Scanbeispiele werden konvertiert, die erkannten Strukturen untersucht und die Ergebnisse nach Markdown und JSON exportiert. Die Python-Schnittstelle wird so eingesetzt, dass Konfiguration, Fehler und Ausgaben nachvollziehbar bleiben.

Besondere Aufmerksamkeit gilt der Auswahl des Verarbeitungswegs. Ein vorhandener Textlayer kann andere Einstellungen erfordern als eine gescannte Seite; Tesseract wird als konfigurierbare OCR-Komponente eingeordnet. Jede Ausgabe wird am Original überprüft. Fachliche Feldextraktion, anspruchsvolle Tabellenverarbeitung und die Entwicklung einer RAG-Anwendung werden in den aufbauenden Seminaren vertieft.

Lernziele

• Eine lokale Docling-Umgebung mit nachvollziehbaren Versionen und Modellen vorbereiten.
• Geeignete Konvertierungs- und OCR-Einstellungen für ausgewählte Dokumenttypen festlegen.
• Die Struktur eines DoclingDocument mit Python untersuchen.
• Markdown- und JSON-Ausgaben für unterschiedliche Folgeprozesse erzeugen.
• Layout-, Text- und Vollständigkeitsfehler anhand des Originals erkennen.

Zielgruppe

Entwickler, Data Engineers und technische Fachkräfte, die Dokumentinhalte für Suchsysteme, Auswertungen oder automatisierte Arbeitsabläufe erschließen.

Voraussetzungen

Grundlegende Python-Kenntnisse einschließlich virtueller Umgebungen, Dateien und JSON. Grundverständnis von PDF-Dokumenten und OCR; fortgeschrittene KI-Kenntnisse sind nicht erforderlich.

Inhaltsübersicht

1. Umgebung und Verarbeitungskonzept
2. Konvertierung mit CLI und Python
3. OCR und vorhandene Textebenen
4. Dokumentstruktur untersuchen
5. Export und Qualitätskontrolle

Umgebung und Verarbeitungskonzept

• Python-Umgebung, Paketversionen und erforderliche Modellartefakte prüfen.
• Parser, OCR, Layoutanalyse und Export als getrennte Verarbeitungsschritte einordnen.
• Eingaben, Konfigurationen und Ausgaben für reproduzierbare Versuche organisieren.

Konvertierung mit CLI und Python

• Erste digitale PDFs und Bild-PDFs mit einer festgelegten Konfiguration verarbeiten.
• Den DocumentConverter in einem überschaubaren Python-Programm einsetzen.
• Fehlerhafte Dokumente, nicht unterstützte Eingaben und Teilresultate gezielt erkennen.

OCR und vorhandene Textebenen

• Textbasierte Eingaben und erforderliche OCR-Schritte unterscheiden.
• Tesseract als OCR-Option konfigurieren und Sprachdaten passend zur Umgebung prüfen.
• Bereits bearbeitete PDFs ohne unnötige wiederholte Rasterung oder OCR weiterverarbeiten.

Dokumentstruktur untersuchen

• Absätze, Überschriften, Listen und Tabellen im DoclingDocument erkennen.
• Lesereihenfolge und verfügbare Positionsinformationen mit der Seitenansicht vergleichen.
• Fehlende Elemente und falsch zugeordnete Inhalte in einer Prüfliste erfassen.

Export und Qualitätskontrolle

• Markdown für die lesbare Weiterverarbeitung und JSON für strukturierte Folgeprozesse ausgeben.
• Dokumentkennungen und Verarbeitungsparameter gemeinsam mit den Ergebnissen speichern.
• Einen wiederholbaren Vergleich zwischen Original, strukturiertem Dokument und Export durchführen.

Praktische Übungen

1. Eine lokale Umgebung prüfen und Modellartefakte für die Übungsdokumente bereitstellen.
2. Je ein digitales PDF und einen Scan mit geeigneten Einstellungen konvertieren.
3. Elementtypen und Lesereihenfolge im strukturierten Dokument untersuchen.
4. Markdown und JSON exportieren und mit den Originalseiten vergleichen.
5. Die Konfiguration an einem Fehlerfall anpassen und das Ergebnis nachvollziehbar erneut prüfen.

Arbeitsumgebung

Vorbereitete Python-Umgebung mit Docling, geeigneten Modellen und Tesseract-Sprachdaten. Die Kernübungen laufen lokal; nach vorbereiteter Bereitstellung der Modelle wird ein Durchlauf ohne Netzwerkzugriff geprüft.