Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

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.

Quellen