Docling

Docling 简介

Docling 是一个开源的文档解析工具，旨在简化文档处理流程，将各种格式的文档转换为结构化数据，为生成式 AI 应用提供高质量的输入。它支持 PDF、DOCX、PPTX、XLSX、HTML、EPUB、图片、音频等多种格式，并提供高级的 PDF 理解能力，包括页面布局、阅读顺序、表格结构、代码和公式识别等。

核心特性

• 多格式解析：支持 PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages/Numbers/Keynote、WAV/MP3 音频、WebVTT、Box Notes、邮件格式（EML/MSG）、图片（PNG/TIFF/JPEG）、LaTeX、纯文本等。
• 高级 PDF 理解：能够识别页面布局、阅读顺序、表格结构、代码块、公式和图像分类。
• 统一文档表示：使用 DoclingDocument 格式统一表示解析后的文档内容。
• 多种导出格式：支持导出为 Markdown、HTML、WebVTT、DocLang、DocTags 和无损 JSON。
• 本地执行：可在本地运行，适合处理敏感数据和气隙环境。
• 无缝集成：与 LangChain、LlamaIndex、Crew AI、Haystack 等 AI 框架集成，支持 MCP 服务器和 API 服务。
• OCR 与视觉语言模型：支持扫描版 PDF 和图像的 OCR，并集成 GraniteDocling 等视觉语言模型。
• 音频与视频支持：通过 ASR 模型处理音频，并解析视频文件（MP4、AVI 等）生成转录文本和关键帧。

快速开始

安装

使用 pip 安装：

pip install docling

注意：从 docling 2.70.0 版本开始，不再支持 Python 3.9，请使用 Python 3.10 或更高版本。

命令行使用

docling https://arxiv.org/pdf/2206.01062

该命令会在当前目录生成一个包含结构化文档内容的 .md 文件。

Python 使用

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 本地路径或 URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())

适用场景

Docling 非常适合需要将文档内容输入到 LLM 或构建 RAG 应用的场景。例如，从 PDF 中提取表格数据、将扫描件转换为可编辑文本、为 AI 代理准备多格式文档输入等。其本地执行能力也使其适用于对数据隐私要求较高的环境。

社区与支持

Docling 是 LF AI & Data 基金会下的项目，拥有活跃的社区。你可以通过 GitHub Discussions 获取帮助，或查阅官方文档和示例了解更多高级用法。