Para extração de tabelas financeiras complexas em PDFs usando Docling, as melhores opções de OCR são:

1. EasyOCR (Interno ao Docling)#

• EasyOCR é significativamente mais preciso que RapidOCR para documentos financeiros com tabelas numéricas, especialmente em português.
• Configuração recomendada:
  Copy

  from docling.datamodel.base_models import InputFormat
  from docling.datamodel.pipeline_options import PdfPipelineOptions, EasyOcrOptions
  from docling.document_converter import DocumentConverter, PdfFormatOption
  
  pipeline_options = PdfPipelineOptions()
  pipeline_options.do_ocr = True
  pipeline_options.ocr_options = EasyOcrOptions(
      lang=["pt", "en"],
      use_gpu=True,
      confidence_threshold=0.6,
      download_enabled=True
  )
  
  doc_converter = DocumentConverter(
      format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
  )
  

• EasyOCR é mais lento (~9s/página) que RapidOCR (~6s/página), mas entrega precisão superior em tabelas numéricas.
• Referência: Discussão na comunidade Docling.

2. OCR Externo via Plugins#

• Docling suporta integração de OCR externo via sistema de plugins, permitindo uso de serviços como Azure Document Intelligence ou AWS Textract.
• Exemplo de plugin customizado para Azure:
  Copy

  class AzureOcrOptions(OcrOptions):
      kind: ClassVar[str] = "azure_ocr"
      endpoint: str = ""
      api_key: str = ""
  # Implementação do modelo conforme documentação Docling
  

• Para usar, configure allow_external_plugins=True e registre o plugin.
• Alternativamente, pode-se aplicar OCR externo em pós-processamento, extraindo as regiões das tabelas e processando-as com o serviço desejado.

3. Vision Language Models (VLMs)#

• Para tabelas financeiras complexas (com merged cells e hierarquias), VLMs superam OCR tradicional.
• Docling suporta nativamente modelos como SMOLDOCLING_VLLM, GRANITE_VISION_VLLM, GOT2_TRANSFORMERS e LightOnOCR-2-1B (preset ID: "lightonocr").
• LightOnOCR-2-1B é um modelo de 1B parâmetros especificamente projetado para OCR e conversão para markdown. Processa imagens com max_size=1540 (dimensão mais longa 1540px) conforme recomendação do modelo. Adequado para tarefas de OCR, incluindo extração de tabelas complexas.
• VLMs extraem estrutura de tabela diretamente da imagem, sendo mais robustos para DFs brasileiras.

4. Plugin Existente: SuryaOCR#

• O plugin docling-surya é um exemplo funcional de OCR externo:
  Copy

  from docling.datamodel.base_models import InputFormat
  from docling.datamodel.pipeline_options import PdfPipelineOptions
  from docling.document_converter import DocumentConverter, PdfFormatOption
  from docling_surya import SuryaOcrOptions
  
  pipeline_options = PdfPipelineOptions(
      do_ocr=True,
      allow_external_plugins=True,
      ocr_options=SuryaOcrOptions(lang=["pt", "en"])
  )
  
  doc_converter = DocumentConverter(
      format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=pipeline_options)}
  )
  

Resumo: Para máxima precisão em tabelas financeiras, utilize EasyOCR (interno), plugins externos (como Azure Document Intelligence), ou VLMs suportados pelo Docling. Para integração de OCR externo, utilize o sistema de plugins do Docling ou pós-processamento das regiões de tabela.