Docling serve n8n

Docling и n8n: Автоматизация обработки документов в рабочих процессах

Интеграция Docling с n8n представляет собой мощное решение для автоматизации извлечения и обработки структурированных данных из документов различных форматов. Docling — это инструмент на базе искусственного интеллекта, специализирующийся на парсинге сложных документов, таких как счета-фактуры, накладные, отчеты, контракты и презентации. n8n — это платформа с открытым исходным кодом для оркестрации рабочих процессов (workflow automation), которая позволяет соединять различные приложения и сервисы. Совместное использование этих технологий позволяет создавать гибкие, мощные и не требующие глубоких знаний в программировании конвейеры для автоматической обработки документов.

Архитектура и принцип работы связки Docling и n8n

Взаимодействие между Docling и n8n строится по принципу клиент-сервер. Docling выступает в роли специализированного сервиса (службы), который принимает документы, обрабатывает их с помощью моделей машинного обучения и возвращает структурированные данные в формате JSON. n8n выполняет роль оркестратора, который управляет потоком данных: получает документы из источников (например, электронная почта, облачные хранилища, веб-формы), отправляет их в Docling для обработки, а затем направляет извлеченные данные в целевые системы (CRM, ERP, базы данных, Google Таблицы, API и т.д.).

Типичный рабочий процесс в n8n с использованием Docling включает следующие узлы (ноды):

• Триггерный узел: Запускает рабочий процесс. Это может быть узел, отслеживающий новые файлы в папке на Google Диске, вложение в письме, вебхук или запрос по расписанию.
• Узел обработки файла: Подготавливает документ (например, конвертирует в бинарный формат или кодирует в base64, если это требуется API Docling).
• Узел HTTP Request: Отправляет документ на endpoint API сервера Docling. Обычно это POST-запрос с телом, содержащим файл и параметры обработки.
• Узел обработки ответа: Парсит JSON-ответ от Docling, извлекая нужные поля (номера счетов, даты, суммы, позиции таблиц, текст).
• Узлы-действия: Отправляют извлеченные данные в другие системы. Например, создают запись в базе данных Airtable, отправляют уведомление в Telegram или формируют отчет в Google Sheets.

Ключевые возможности Docling для интеграции с n8n

Docling предоставляет API, которое позволяет извлекать данные из документов с высокой точностью. Его основные возможности, релевантные для автоматизации в n8n:

• Поддержка множества форматов: PDF, изображения (JPG, PNG), документы Word (DOCX), презентации PowerPoint (PPTX), электронные таблицы Excel (XLSX) и обычный текст.
• Интеллектуальное извлечение структуры: Распознавание иерархии заголовков, параграфов, списков, что критично для обработки отчетов и контрактов.
• Работа с таблицами: Точное извлечение табличных данных с сохранением структуры строк и столбцов, что необходимо для накладных и финансовых отчетов.
• Извлечение ключевых полей документов (Key-Value Pair Extraction): Автоматическое определение и парсинг таких полей, как «Номер счета», «Дата», «Итого к оплате», «НДС», «Имя поставщика».
• Визуальное понимание документа: Учет пространственного расположения элементов на странице для более точной интерпретации.

Пошаговая настройка рабочего процесса в n8n с Docling

1. Установка и запуск сервера Docling

Перед созданием workflow в n8n необходимо обеспечить доступность сервиса Docling. Существует несколько вариантов:

• Локальный запуск через Docker: Самый распространенный способ для самостоятельного развертывания.

  docker run -p 8000:8000 docling/docling-server

  После этого API будет доступно по адресу http://localhost:8000.

• Использование облачного API (если доступно): Некоторые поставщики могут предлагать Docling как облачный сервис.

2. Создание рабочего процесса в n8n

Рассмотрим пример автоматизации обработки счетов-фактур, поступающих во вложениях электронной почты.

Шаг 1: Триггер на новое письмо

Используется узел Email Trigger (IMAP). Настраиваются параметры подключения к почтовому ящику, критерии фильтрации (отправитель, тема) и указание на обработку вложений.

Шаг 2: Подготовка файла

Узел Read Binary Files преобразует вложение в бинарный формат, который можно передать в HTTP-запрос.

Шаг 3: Отправка документа в Docling

Настраивается узел HTTP Request.

Параметр	Значение
Method	POST
URL	http://localhost:8000/parse
Authentication	None (или Bearer Token, если настроена)
Send Body	Yes
Body Content Type	multipart/form-data
Parameters	Добавить параметр с именем file, типом «File», значением — данные из предыдущего узла (бинарный файл). Добавить параметр с именем mode, типом «String», значением document или table в зависимости от задачи.

Шаг 4: Обработка ответа от Docling

Узел HTTP Request вернет JSON-объект. Его структура может быть сложной. Для извлечения конкретных полей используется узел Code (JavaScript) или встроенные функции n8n для работы с JSON.

Пример кода в узле Code для извлечения данных из счета:

const doclingResult = items[0].json;
const extractedData = {
  invoice_number: doclingResult.document?.fields?.find(f => f.key === "invoice_number")?.value,
  total_amount: doclingResult.document?.fields?.find(f => f.key === "total_amount")?.value,
  date: doclingResult.document?.fields?.find(f => f.key === "date")?.value,
  vendor_name: doclingResult.document?.fields?.find(f => f.key === "vendor_name")?.value,
  // Извлечение текста или таблиц
  main_text: doclingResult.document?.text?.content,
  first_table: doclingResult.document?.tables?.[0]?.content
};
return [{json: extractedData}];

Шаг 5: Интеграция с целевой системой

Извлеченные данные можно передать дальше. Например, с помощью узла Google Sheets добавить строку в таблицу с колонками «Номер счета», «Сумма», «Дата», «Поставщик». Или создать заявку в системе учета через узел HTTP Request к ее API.

Преимущества использования Docling в экосистеме n8n

Преимущество	Описание
Снижение ручного труда	Полная автоматизация ввода данных из сотен или тысяч документов.
Гибкость и кастомизация	n8n позволяет строить любые сценарии обработки, включая ветвление, обработку ошибок и многоэтапную валидацию.
Интеграция с экосистемой	Извлеченные данные легко направить в более чем 200 готовых сервисов, поддерживаемых n8n.
Локальная обработка	При самостоятельном развертывании Docling и n8n данные не покидают инфраструктуру компании, что важно для конфиденциальных документов.
Отказоустойчивость	В n8n можно настроить повторные попытки при ошибках, уведомления администратору и логирование.
Экономическая эффективность	Комбинация open-source инструментов (n8n и, в определенной мере, Docling) снижает затраты на дорогостоящее коммерческое ПО и ручной труд.

Практические примеры использования

Пример 1: Автоматизация бухгалтерии

• Задача: Ежедневная обработка пачки счетов от поставщиков.
• Workflow: Папка на OneDrive/SharePoint -> (Триггер n8n) -> Отправка каждого PDF в Docling -> Извлечение номера, даты, суммы, ИНН поставщика -> Проверка суммы и поставщика по базе данных -> Создание проводки в 1С или бухгалтерской системе через API -> Перемещение обработанного счета в архивную папку.

Пример 2: Обработка резюме (HR)

• Задача: Первичный анализ входящих резюме.
• Workflow: Вложение в письме на корпоративный ящик -> Извлечение текста из DOCX/PDF с помощью Docling -> Анализ текста на наличие ключевых навыков (с помощью дополнительной ноды AI, например, OpenAI) -> Запись структурированных данных (имя, опыт, навыки, контакты) в Airtable или HR-систему (например, Personio) -> Отправка автоответа кандидату.

Пример 3: Анализ отчетов

• Задача: Еженедельное обновление дашборда на основе PDF-отчетов филиалов.
• Workflow: Загрузка отчета по расписанию из FTP -> Парсинг таблиц с финансовыми показателями из PDF через Docling -> Преобразование данных в формат CSV -> Загрузка CSV в базу данных (PostgreSQL) -> Запуск обновления дашборда в Tableau/Power BI.

Ограничения и рекомендации

• Качество входных данных: Размытые, плохо отсканированные или сильно структурированные документы могут снижать точность извлечения. Рекомендуется по возможности использовать цифровые (не сканированные) PDF.
• Производительность: Обработка через ИИ-модели требует времени. Для потоков в сотни документов в минуту может потребоваться кластеризация серверов Docling и очередь задач (например, через Redis).
• Валидация данных: Всегда следует включать в workflow этапы проверки извлеченных данных (например, проверку контрольных сумм, формата дат) перед их отправкой в критичные системы.
• Безопасность: При обработке персональных или финансовых данных необходимо обеспечить шифрование каналов связи между n8n и Docling, а также безопасное хранение временных файлов.

Часто задаваемые вопросы (FAQ)

Вопрос: Можно ли использовать облачную версию n8n (n8n.cloud) с локально развернутым Docling?

Ответ: Нет, напрямую это невозможно, так как облачный n8n не имеет доступа к вашей локальной сети. В этом случае необходимо либо развернуть n8n также локально (self-hosted), либо использовать облачный вариант Docling (если он предоставляется), либо организовать безопасный туннель (например, с помощью ngrok или Tailscale) к локальному серверу Docling, что сопряжено с рисками безопасности и требует дополнительной настройки.

Вопрос: Как обрабатывать документы на разных языках в Docling через n8n?

Ответ: Docling поддерживает множество языков. Обычно язык определяется автоматически, но его также можно явно указать в параметрах запроса к API (например, добавив параметр `language` со значением `rus` или `eng`). В n8n это делается через добавление соответствующего поля в узел HTTP Request при настройке multipart/form-data.

Вопрос: Что делать, если Docling возвращает ошибку распознавания для конкретного типа документа?

Ответ: В n8n можно реализовать логику обработки ошибок. После узла HTTP Request добавьте узел «IF» для проверки статуса ответа (например, `{{$node[«HTTP Request»].json[«success»]}} = false`). В случае ошибки можно отправить документ на ручную проверку (например, уведомить сотрудника через Telegram и сохранить файл в специальную папку), а также записать лог ошибки.

Вопрос: Есть ли альтернативы Docling для интеграции с n8n?

Ответ: Да, существуют другие сервисы и библиотеки для парсинга документов, которые можно интегрировать через HTTP Request или собственные узлы. Например:

• Commercial APIs: Azure Form Recognizer, Amazon Textract, Google Document AI. Они обладают мощными возможностями, но являются платными и облачными.
• Open-source библиотеки: Tesseract OCR (для изображений), Camelot/Tabula (для таблиц в PDF). Их можно запустить как микросервис в Docker и обращаться к ним из n8n, но они, как правило, требуют более глубокой настройки и уступают в точности комплексным ИИ-решениям.

Выбор зависит от бюджета, требований к точности, языку и необходимости локального развертывания.

Вопрос: Как организовать обработку пакетов документов, а не по одному?

Ответ: n8n отлично работает с массивами данных. Если триггер (например, от сканирования папки) возвращает список файлов, последующие узлы будут выполнены для каждого элемента этого списка. Важно настроить узлы HTTP Request и обработки на работу в режиме «для каждого элемента» (это поведение по умолчанию). Для очень больших пакетов стоит учитывать лимиты времени выполнения workflow и возможные ограничения API Docling по частоте запросов.

Вопрос: Требуются ли глубокие знания программирования для настройки такой интеграции?

Ответ: Базовую интеграцию (отправка файла и получение текста) можно настроить без написания кода, используя только графический интерфейс n8n. Однако для сложной постобработки JSON-ответа от Docling (например, для извлечения вложенных полей или трансформации таблиц) потребуется использование узла «Code» с JavaScript/TypeScript. Это требует базовых навыков программирования, но не на уровне полноценной разработки.