Docling Document

Docling v2에서는 DoclingDocument라는 통합 문서 표현 형식을 도입합니다. 이는 pydantic 데이터 타입으로 정의되며, 문서에 공통적으로 나타나는 여러 기능을 표현할 수 있습니다:

• 텍스트, 표, 그림 등
• 섹션과 그룹으로 구성된 문서 계층 구조
• 본문과 헤더, 푸터(furniture) 간의 구별
• 가능한 경우 모든 항목의 레이아웃 정보(바운딩 박스)
• 출처 정보

Pydantic 타입의 정의는 docling_core.types.doc 모듈에서 구현되며, 자세한 내용은 소스 코드 정의에서 확인할 수 있습니다.

또한 DoclingDocument를 처음부터 구축하기 위한 문서 생성 API 세트도 제공합니다.

문서 구조 예시

DoclingDocument 형식의 기능을 설명하기 위해, 아래 하위 섹션에서는 tests/data/word_sample.docx에서 변환된 DoclingDocument를 고려하며, 좌측에는 YAML로 직렬화된 변환된 문서의 스니펫을, 우측에는 원본 MS Word의 해당 부분을 보여주는 나란히 비교를 제시합니다.

기본 구조

DoclingDocument는 두 범주로 구성된 문서 콘텐츠를 위한 최상위 필드들을 제공합니다. 첫 번째 범주는 다음 필드들에 저장되는 _콘텐츠 항목들_입니다:

• texts: 텍스트 표현을 가진 모든 항목들(단락, 섹션 제목, 수식 등). 기본 클래스는 TextItem입니다.
• tables: 모든 표, TableItem 타입. 구조 주석을 포함할 수 있습니다.
• pictures: 모든 그림, PictureItem 타입. 구조 주석을 포함할 수 있습니다.
• key_value_items: 모든 키-값 항목들.

위의 모든 필드들은 리스트이며 DocItem 타입을 상속받는 항목들을 저장합니다. 타입에 따라 다른 데이터 구조를 표현할 수 있으며, JSON 포인터를 통해 부모와 자식을 참조합니다.

두 번째 범주는 다음에 캡슐화된 _콘텐츠 구조_입니다:

• body: 메인 문서 본문을 위한 트리 구조의 루트 노드
• furniture: 본문에 속하지 않는 모든 항목들(헤더, 푸터 등)을 위한 트리 구조의 루트 노드
• groups: 콘텐츠를 나타내지 않지만 다른 콘텐츠 항목들의 컨테이너 역할을 하는 항목들의 집합(예: 목록, 챕터)

위의 모든 필드들은 JSON 포인터를 통해 자식과 부모를 참조하는 NodeItem 인스턴스만을 저장합니다.

문서의 읽기 순서는 body 트리와 트리의 각 항목에서 _자식들_의 순서를 통해 캡슐화됩니다.

아래 예시는 첫 번째 페이지의 모든 항목들이 title 항목(#/texts/1) 아래에 중첩되는 방식을 보여줍니다.

그룹화

아래 예시는 "Let's swim" 제목(#/texts/5) 아래의 모든 항목들이 자식으로 중첩되는 방식을 보여줍니다. "Let's swim"의 자식들은 텍스트 항목들과 목록 요소들을 포함하는 그룹들 모두입니다. 그룹 항목들은 최상위 groups 필드에 저장됩니다.