Document Parsing
Document Parsing (Dokumentenanalyse) wandelt Dateien wie PDFs, Scans, Folien und Tabellen in strukturierten Text um, den Software nutzen kann, und erhält dabei Überschriften, Lesereihenfolge, Tabellen und Bilder statt eines flachen Zeichenstroms.
Auch: PDF parsing, document AI
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Das meiste Unternehmenswissen steckt in PDFs und Office-Dateien, nicht in sauberem Text. Bevor ein Modell darin suchen oder Fragen dazu beantworten kann, muss etwas jede Seite in Text mit intakter Struktur umwandeln. Das ist Document Parsing, und seine Qualität setzt jedem darauf aufbauenden System für Retrieval-Augmented Generation eine Obergrenze.
So funktioniert es
Ein Parser liest zuerst den Text, den die Datei bereits enthält. Bei gescannten Seiten führt er optische Zeichenerkennung aus. Dann wendet er Layoutanalyse an, um Titel, Absätze, Abbildungen und Fußnoten zu finden und in Lesereihenfolge zu bringen, und Tabellenextraktion, um Zeilen und Zellen wiederherzustellen. Die Ausgabe ist meist Markdown oder JSON, das diese Struktur erhält und bereit fürs Chunking ist.
Es gibt zwei Familien von Tools. Pipeline-Parser wie Docling und Marker verketten spezialisierte Modelle für Layout, OCR und Tabellen. Neuere Parser schicken Seitenbilder an ein Vision-Language-Modell und lassen es den Inhalt ausschreiben. Gehostete APIs wie LlamaParse und Reducto bieten beide Ansätze als Dienst an.
Grenzen
Mehrspaltige Layouts, gedrehte Scans, Handschrift, Diagramme und seitenübergreifende Tabellen bringen Parser weiterhin ins Stolpern. Parser auf Basis von Vision-Modellen können auch Text erfinden, der nicht auf der Seite steht, eine Form von Halluzination. Prüf die Ausgabe an einer Stichprobe deiner eigenen Dokumente gegen die Quelle, bevor du ein ganzes Archiv indexierst. Der Leitfaden zu Document Parsing vergleicht die Optionen.
Verwandte Begriffe
- Optische Zeichenerkennung
- Optische Zeichenerkennung (OCR) ist Software, die Text aus Bildern wie gescannten Seiten, Fotos oder Screenshots liest und in maschinenlesbare Zeichen verwandelt, die sich durchsuchen, kopieren oder an ein Modell übergeben lassen.
- Vision-Language-Modell
- Ein Vision-Language-Modell (VLM, Bild-Sprach-Modell) ist ein Modell, das Bilder und Text als Eingabe nimmt und Text erzeugt. Es kann also Bilder beschreiben, Fragen zu ihnen beantworten, Dokumente lesen und Daten aus Screenshots extrahieren.
- Layoutanalyse
- Layoutanalyse (Layout Analysis) ist der Teil des Document Parsing, der die Bereiche einer Seite findet, etwa Titel, Absätze, Tabellen, Abbildungen, Bildunterschriften und Fußzeilen, jeden davon benennt und die Reihenfolge ermittelt, in der ein Mensch sie lesen würde.
- Tabellenextraktion
- Tabellenextraktion ist die Aufgabe, Tabellen in Dokumenten zu finden und ihre Zeilen, Spalten, Kopfzeilen und Zellen als strukturierte Daten wie HTML, Markdown oder CSV nachzubauen, statt als lose Textzeilen.
- Chunking
- Chunking (Aufteilung in Abschnitte) ist der Schritt, der lange Dokumente in kleinere Passagen zerlegt, bevor sie eingebettet und indexiert werden, damit ein Retrieval-System nur die Teile eines Dokuments finden und zurückgeben kann, die eine Anfrage beantworten.