Afgebakende proef uitgevoerd op 1 november 2026
Van PDF naar controleerbare tekst
Een zelfgemaakt document met twee pagina’s verwerken en de herkomst van tekst bewaren.
De vraag en de opzet
Kunnen we tekst uit een PDF met tekstlaag halen, met verwijzing naar de oorspronkelijke pagina? We maakten een synthetisch document met broncode DJIMIT-DEMO-001, enkele controlezinnen en een kleine tabel. Er zijn geen klantdocumenten gebruikt.
De proef gebruikt Docling 2.145.0 met NativePdfPipeline op Python 3.12.14, Darwin arm64. Deze specifieke route gebruikt geen OCR- of taalmodel. De volledige Docling-tool heeft meer mogelijkheden dan deze ene geteste route.
Wat is daadwerkelijk vastgesteld?
| Controle | Uitkomst |
|---|---|
| Conversie | Geslaagd, twee pagina’s verwerkt |
| Tekst | 18 tekstitems; drie verwachte controlezinnen aanwezig |
| Herkomst | Tekstitems verwijzen naar pagina 1 en 2 |
| Tabellen | 0 gereconstrueerde tabellen; cellen staan als losse tekst in de uitvoer |
De tabel is niet als tabel herkend. Voor betrouwbare veld- of tabelovername is aanvullende inrichting en een nieuwe proef nodig. De uitvoer is geen samenvatting, contractbeoordeling of gegarandeerd foutloze documentinterpretatie.
Zelf controleren en herhalen
Vergelijk de PDF, Markdown en gestructureerde uitvoer. Het proefverslag bevat de versies, hashes, controles en beperkingen. De herhaalcode en exacte geteste directe pakketversies staan in het proefpakket; afhankelijkheden en platform kunnen latere uitkomsten beïnvloeden.
Wat deze proef niet bewijst
- Geen scans, OCR, handschrift, lastige tabellen of grote documentverzamelingen getest.
- Geen netwerkverkeer gemeten. Geen algemene offline- of privacygarantie.
- Geen snelheidsvergelijking of modelbenchmark; één klein document is onvoldoende voor capaciteitsplanning.
- Een toepassing op echte documenten vraagt toegangsrechten, retentie, foutafhandeling en controle op representatieve voorbeelden.