Erstens Spalten. Wer ein zweispaltiges PDF einfach von oben nach unten liest, mischt Zeilen aus beiden Spalten. Dann steht die Traglast einer Werkbank plötzlich neben dem falschen Modell.

Zweitens Tabellen. Beim einfachen Auslesen zerfällt eine Tabelle in Zeilen. Welcher Preis zu welcher Spalte gehört, ist danach nicht mehr eindeutig.

Drittens Scans. Eine eingescannte Seite hat gar keinen Text, nur ein Bild. Für die KI ist sie leer, egal wie wichtig der Inhalt ist.

Unser Übungsdokument hat alle drei Stellen, und zu jeder gibt es einen Kontrollwert. So lässt sich nach jeder Umwandlung nachprüfen, was angekommen ist.

Einen VPS mit Docker, wie in der Docker- und der Self-Hosting-Schulung. Docling braucht mehr Platz als die meisten Dienste: Das Image belegt auf der Platte fast acht Gigabyte, im Betrieb kommen bis zu zweieinhalb Gigabyte Arbeitsspeicher dazu.

Keine Grafikkarte. Es gibt eine eigene Variante nur für den Prozessor. Unser Dokument mit drei Seiten braucht damit um die zehn Sekunden.

Für die Schritte am Ende das n8n aus der n8n-Schulung und einen Zugang zu einem Sprachmodell. Wer nur umwandeln will, kommt ohne beides aus.

Docling bekommt einen eigenen Ordner. In der Compose-Datei steht das Prozessor-Image mit fester Versionsnummer, die Weboberfläche ist eingeschaltet, und der Port hängt nur an localhost. Dazu zwei Grenzen: höchstens fünfzig Seiten und zwanzig Megabyte pro Dokument.

Die letzten Zeilen hängen Docling zusätzlich an das Netz von n8n. Dann erreicht n8n den Dienst später einfach unter dem Namen docling. Wer kein n8n hat, lässt diese Zeilen weg.

Der erste Start lädt das Image, gut zwei Gigabyte. Das dauert eine gute Minute.

Der Gesundheitscheck antwortet mit ok. Im Leerlauf braucht Docling schon gut ein Gigabyte Arbeitsspeicher, weil die Modelle für Layout, Tabellen und Texterkennung geladen sind.

Für die Weboberfläche öffnest Du auf Deinem Rechner einen SSH-Tunnel, genau wie bei n8n. Dann öffnest Du im Browser localhost, Port fünftausendeins, und hängst U-I an.

Das ist die Oberfläche von Docling. Unter Convert File lade ich das Übungsdokument hoch: das Produktblatt der Nordwerk GmbH, drei Seiten.

Unter Options stehen alle Stellschrauben. Für den ersten Durchgang bleibt alles auf den Voreinstellungen: Texterkennung an, Tabellen im genauen Modus.

Process File. Auf dem Prozessor unseres Servers dauert das gut fünfzehn Sekunden.

Das Ergebnis gibt es in mehreren Formaten. Am besten lesbar ist Markdown-Rendered: Überschriften, Absätze und Listen, so wie ein Sprachmodell sie später bekommt. Kopf- und Fußzeilen hat Docling als Beiwerk erkannt und weggelassen.

Seite zwei ist eine Preistabelle. Ihre Kopfzeile ist verschachtelt: Preis netto steht über zwei Spalten, ab einem Stück und ab fünf Stück.

Docling hat daraus eine saubere Tabelle gemacht. Im Markdown sieht man, wie: Die obere Zeile wurde in die Spaltennamen übernommen. Preis netto, ab fünf Stück. Damit ist jeder Wert eindeutig.

Und jetzt der Blick unter die Tabelle. Im Original steht dort eine Fußnote: Lieferung nach Österreich und in die Schweiz eine Woche länger, Mengenrabatt nur je Artikel. Im Markdown fehlt sie. Wohin sie verschwunden ist, klären wir in Stufe acht.

Seite eins hat zwei Spalten. Der Satz zur Traglast beginnt unten in der linken Spalte und endet oben in der rechten. Docling setzt ihn richtig zusammen: Die WB-180 trägt bis zu achthundert Kilogramm.

Allerdings mit einem Absatzwechsel mitten im Satz, weil das Original an dieser Stelle einen hat. Für eine Suche, die Texte in kleine Stücke schneidet, ist das eine Sollbruchstelle.

Und hier ein kleiner, aber echter Fehler: Wo im Original am Zeilenende getrennt wurde, fehlt jetzt der Bindestrich. Baden-Württemberg und der FI-Schutzschalter stehen jetzt ohne Bindestrich da, als ein zusammengeklebtes Wort. Wer nach dem richtigen Wort sucht, findet es nicht.

Seite drei ist ein Scan, leicht schief, mit Rauschen. Ohne Texterkennung wäre sie leer. Docling hat sie gelesen: Reaktionszeit achtundvierzig Stunden, die Hotline mit der Durchwahl fünfhunderteins.

Aber nicht fehlerfrei. Wörter kleben zusammen, und die Nummerierung der Liste stimmt nicht mehr. Versuchen wir eine andere Engine: EasyOCR. Deutsch steht in ihrer Sprachliste schon drin.

EasyOCR braucht deutlich länger, gut dreißig Sekunden statt acht.

Die Wörter sind besser getrennt. Aber schau auf die Telefonnummer: Aus achtundachtzig ist null acht geworden. Eine falsche Nummer, die genauso glaubwürdig aussieht wie die richtige. Zahlen aus Scans also immer gegen das Original prüfen. Für den Rest der Schulung bleibt die Voreinstellung Auto.

Dieselbe Umwandlung geht ohne Oberfläche, mit einem einzigen Aufruf an die Schnittstelle. Ich lasse mir Markdown und JSON zugleich geben.

Im Markdown kommt Österreich nicht vor. Null Treffer. Die Fußnote ist dort wirklich weg.

Im JSON dagegen hat Docling die Fußnote erkannt, mit dem Etikett footnote, als Teil der Tabelle. Das Markdown hat sie nur beim Schreiben weggelassen.

Genauso der Eingangsstempel auf dem Scan. Im Markdown stand dort nur ein Platzhalter für ein Bild. Im JSON steht der Text: eingegangen am vierzehnten Juni. Die Lehre: Docling liest mehr, als das Markdown zeigt.

In n8n füge ich den fertigen Ablauf von der Schulungsseite ein. Er hat fünf Schritte.

Ein Formular nimmt ein PDF und eine Frage an.

Ein HTTP-Aufruf schickt das PDF an Docling, unter dem Namen docling im gemeinsamen Netz, und verlangt Markdown und JSON.

Ein kleiner Code-Schritt baut den Text für die KI: das Markdown, und darunter alles, was im JSON an Tabellen und Bildern hängt. Also genau die Fußnote und den Stempel.

Dahinter beantwortet GLM die Frage, nur aus dem Dokument, und eine Abschlussseite zeigt die Antwort. Veröffentlichen, fertig.

Erste Frage: Wie lange dauert die Lieferung einer WB-180 nach Österreich? Das steht nur in der Fußnote.

Vier Wochen: drei laut Tabelle und eine für Österreich, mit Beleg. Zweite Frage: Wann ist die Servicevereinbarung eingegangen? Das steht nur auf dem Stempel.

Am vierzehnten Juni. Und zum Schluss eine Frage, deren Antwort nicht im Dokument steht: Gibt es die WB-180 auch mit Eichenplatte?

Das Dokument nennt nur Buche und Multiplex, und genau das sagt die Antwort. Kein erfundenes Ja.

Beim Aufbau haben wir fünf Fragen an drei Fassungen gestellt. Der einfach ausgelesene Text beantwortet die Fußnoten-Frage, scheitert aber an der gescannten Seite.

Das Markdown von Docling löst die gescannte Seite, verliert aber Fußnote und Stempel.

Erst Markdown plus die Ergänzungen aus dem JSON beantwortet alle fünf Fragen richtig.

Wie lange braucht Docling? Unser Dokument mit drei Seiten: sechs bis fünfzehn Sekunden auf vier Prozessorkernen, je nachdem, was der Server sonst zu tun hat. Große Handbücher brauchen entsprechend Minuten.

Während der Umwandlung steigt der Speicher auf rund zwei Gigabyte. Die Grenze von fünf Gigabyte in der Compose-Datei schützt den Rest des Servers.

Updates laufen wie bei n8n: neue Versionsnummer eintragen, Image holen, neu starten. Docling erscheint fast jede Woche neu. Danach das Übungsdokument noch einmal umwandeln und mit dem gespeicherten Ergebnis vergleichen.

Erstens: Nach jeder Umwandlung die Kontrollwerte prüfen. Eine Tabelle, ein Scan, eine Fußnote. Das dauert eine Minute.

Zweitens: Zahlen aus Scans nie ungeprüft übernehmen. Eine falsche Ziffer sieht aus wie eine richtige.

Drittens: Das Markdown ist nicht alles. Fußnoten und Text in Bildern stehen im JSON.

Viertens: Handschrift, Formeln und sehr freie Layouts bleiben schwierig. Dort hilft nur ein Mensch, der gegenliest.