PDF und Word lokal mit Docling in Text umwandeln

Docling liest PDF- und Office-Dateien und gibt strukturierten Text aus, der sich für eine KI-gestützte Suche eignet. Die Umwandlung läuft auf Ihrem eigenen Rechner, sodass Firmendokumente dafür nicht ausgelagert werden müssen.

Niklas Schult4 Min. Lesezeit

Isometrische Darstellung eines kompakten KI-Rechners im Büro

Was Sie am Ende haben und was Sie brauchen

Am Ende dieser Anleitung besitzen Sie ein kleines Python-Skript, das einen Ordner mit PDF- und Word-Dateien einliest und für jede Datei eine Markdown-Datei schreibt. Markdown erhält Überschriften, Tabellen und die Lesereihenfolge. Für eine spätere Suche ist das deutlich nützlicher als ein loser Textstrom. Die Grundlage bildet das Projekt Docling, das unter MIT-Lizenz steht.

Sie benötigen Python ab Version 3.10, denn die Unterstützung für Python 3.9 endete mit Docling 2.70.0. Docling läuft laut Dokumentation unter macOS, Linux und Windows, jeweils auf x86_64 und arm64. Für die Modelle gelten eigene Lizenzen. Bei produktivem Einsatz sollten Sie diese in den jeweiligen Paketen prüfen.

Docling installieren und erste Datei umwandeln

Die Installation erfolgt über den Paketmanager pip. Legen Sie dafür am besten eine eigene virtuelle Umgebung an, damit die Abhängigkeiten sauber getrennt bleiben.

Shell
pip install docling

Danach steht der Befehl docling zur Verfügung. Die Dokumentation zeigt ihn mit einer Internetadresse, Sie können aber ebenso einen lokalen Dateipfad übergeben. Der Befehl schreibt eine Markdown-Datei mit dem strukturierten Inhalt in das aktuelle Verzeichnis. Welche Quellformate möglich sind, hängt von der Dateiendung ab, und laut README gehören PDF und DOCX zu den unterstützten Formaten.

Shell
docling vertrag.pdf

Einen ganzen Ordner per Python-Skript verarbeiten

Für den Alltag empfiehlt die Dokumentation die Nutzung in Python. Das folgende Skript erzeugt einen DocumentConverter und wandelt jede PDF- und DOCX-Datei eines Ordners um. Das Ergebnis speichert es mit der Methode export_to_markdown als Textdatei. Die Ordnernamen sind Beispiele und müssen angepasst werden.

Python
from pathlib import Path
from docling.document_converter import DocumentConverter

converter = DocumentConverter()
out = Path("text")
out.mkdir(exist_ok=True)

for pfad in Path("dokumente").iterdir():
    if pfad.suffix.lower() in (".pdf", ".docx"):
        result = converter.convert(str(pfad))
        md = result.document.export_to_markdown()
        (out / (pfad.stem + ".md")).write_text(md, encoding="utf-8")

Als Quelle akzeptiert Docling laut README einen lokalen Pfad oder eine Adresse. Intern erzeugt es ein einheitliches Format namens DoclingDocument, aus dem sich neben Markdown auch HTML und verlustfreies JSON exportieren lassen. Braucht Ihre Suche Metadaten wie Seitenzahlen, lohnt sich daher ein Blick auf den JSON-Export.

Das Skript verarbeitet nur die Dateien direkt im Ordner und keine Unterordner. Stoßen Sie auf weitere Formate, hilft ein Blick in die Liste der unterstützten Formate: Laut README liest Docling unter anderem auch PPTX, XLSX, HTML und E-Mail-Dateien. Erweitern Sie dann die Liste der Dateiendungen im Skript entsprechend.

Prüfen, ob die Umwandlung funktioniert

Öffnen Sie nach dem Lauf einige der erzeugten Markdown-Dateien und vergleichen Sie sie mit dem Original. Achten Sie auf die Reihenfolge der Absätze, auf Überschriften und darauf, ob Tabellen als Tabellen erscheinen. Das README nennt Seitenlayout, Lesereihenfolge und Tabellenstruktur als Stärken der PDF-Verarbeitung.

Prüfen Sie außerdem, ob die Anzahl der Ausgabedateien zur Anzahl der Quelldateien passt. Fehlt eine Datei, enthält der Ordner möglicherweise ein Format, das Ihr Skript nicht berücksichtigt. Gescannte Dokumente behandelt Docling mit seiner OCR-Unterstützung, die das README ausdrücklich für gescannte PDFs und Bilder nennt. Testen Sie solche Dateien getrennt, weil das Ergebnis stark von der Scanqualität abhängt.

Sinnvoll ist eine kleine Stichprobe mit Dokumenten aus unterschiedlichen Abteilungen, etwa einem Vertrag, einer Preisliste und einem Handbuch. So erkennen Sie früh, bei welchen Dokumenttypen die Ausgabe nachbearbeitet werden muss. Halten Sie die Ergebnisse fest, bevor Sie den gesamten Bestand verarbeiten.

Typische Stolpersteine laut Dokumentation

Der häufigste Fehler ist eine zu alte Python-Version, denn ab Docling 2.70.0 ist mindestens Python 3.10 nötig. Das README beschreibt dazu keine Einzelheiten, verweist für Installation und Konfiguration aber auf die ausführliche Dokumentation. Wollen Sie ohne Internetverbindung arbeiten, lesen Sie dort nach, wie die Modelle vorab bereitgestellt werden. Die Quelle selbst erwähnt lediglich die lokale Ausführung für sensible Daten und abgeschottete Umgebungen.

Das Beispiel im README verwendet eine Internetadresse als Quelle. Übergeben Sie für Firmendokumente stets lokale Pfade, damit nichts von außen geladen wird.

Einordnung im Unternehmen

Docling ist ein Baustein der Vorverarbeitung. Es liefert Text, ersetzt aber weder Suchindex noch Berechtigungskonzept. Legen Sie fest, wer das Skript pflegt, wer Updates einspielt und wie die erzeugten Markdown-Dateien gespeichert werden, denn sie enthalten dieselben vertraulichen Inhalte wie die Originale. Personenbezogene Daten bleiben personenbezogen, auch wenn sie das Haus nicht verlassen. Ob die Verarbeitung im Einzelfall zulässig ist, klären Sie intern mit Ihrer Datenschutzstelle, etwa anhand unserer Seite zu DSGVO und KI.

Wer die Aufbereitung nicht selbst betreiben möchte, findet bei souveraen.ai eine Plattform, die Fragen aus angebundenen Quellen beantwortet und die Fundstelle mit Dokument, Version und Seite nennt. Sie läuft als On Demand in Deutschland oder On-Premise auf eigener Hardware. Mehr dazu finden Sie unter lokale KI, Anbindungen und Wissensmanagement mit KI.

Quellen

Weitere Beiträge

Alle Beiträge

KI-API-Zugänge bei Resellern: Was die Dragos-Tests zeigen

Sicherheitsforscher von Dragos haben mit rund zwei Millionen Testanfragen gezeigt, dass Zwischenhändler und kompromittierte Anbieter Anfragen an KI-Modelle mitlesen. Wer KI per Schnittstelle nutzt, sollte daher klären, über wen die eigenen Daten tatsächlich laufen.

Datenschutz4 Min.

Text Generation Inference mit Docker selbst betreiben

Mit Text Generation Inference betreiben Sie ein offenes Sprachmodell als Container auf einem eigenen Server. Anfragen bleiben im Firmennetz, sodass keine Texte an einen Cloud-Anbieter gehen.

Anleitung4 Min.

Haftung bei Cloud-Ausfall: Wer trägt das Risiko?

Der Ausfall von Exchange Online und Outlook am 12. November 2026 dauerte etwa 36 Stunden und traf viele Betriebe. Wer dafür einstehen muss, betrifft jede Firma, die Cloud- und KI-Dienste nutzt.

Regulierung4 Min.

Testen Sie es mit Ihren eigenen Dokumenten.

3 Tage kostenlos, danach ab 24,90 € je Nutzer und Monat. Monatlich kündbar.

3 Tage kostenlos, danach ab 24,90 € je Nutzer und Monat.3 Tage kostenlos
3 Tage kostenlos testen