文档解析一站式：用 Docling 把 PDF、Word、HTML 变成 AI 能直接读的结构化数据

文档解析一站式用 Docling 把 PDF、Word、HTML 变成 AI 能直接读的结构化数据【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/doclingDocling 是一个开源文档解析工具把 PDF、DOCX、HTML、XLSX 等二十多种格式统一解析成结构化文档对象再导出为 Markdown、JSON 等格式适合需要批量处理文档、搭建 RAG 检索或 AI 应用的开发者。如果每种格式的文档都要换一个工具处理你最后得维护几套代码Docling 的思路是把这件事收敛到一条流水线里所有输入都先变成同一个DoclingDocument对象下游只跟这个对象打交道。能力清单Docling 一次能做什么先看它的能力边界再决定要不要上手输入PDF、Office 全家桶DOCX/XLSX/PPTX 及旧版 DOC/XLS/PPT、ODT/ODS/ODP、HTML、EPUB、LaTeX、Markdown、CSV、图片PNG/JPEG/TIFF、音频视频需 ASR 扩展、邮件EML/MSG等完整列表见 受支持格式说明PDF 深度理解版面分析、阅读顺序、表格结构提取、公式识别转 LaTeX、代码块识别、图像分类输出Markdown、HTML、无损 JSON、纯文本、WebVTT、DocTags以及面向 RAG 的切块输出JSONL运行方式本地 CLI、Python API、视觉语言模型VLM管线支持 Mac/Linux/Windows图中从左到右是完整链路多格式文档进入 Docling 后统一为{DOC}文档对象再分别流向 JSON/Markdown 导出、切块与 LangChain/LlamaIndex 集成以及你自己的生成式 AI 应用。30 秒安装一条命令完成 PDF 转 Markdown安装只要一条命令要求 Python 3.10 及以上pip install docling装完直接进命令行把一份 PDF 转成结构化 Markdown# 输出到当前目录的 .md 文件 docling report.pdf想看看全部参数运行docling --help或者查 CLI 参考。对只想把文件转一下的场景这一步就够用了。三行 Python 示例第一次文档解析需要二次开发时用 Python API。最小的可用示例如下from docling.document_converter import DocumentConverter source report.pdf # 本地路径或 URL 都可以 result DocumentConverter().convert(source) print(result.document.export_to_markdown())result.document就是统一的DoclingDocument对象。除了export_to_markdown()它还提供export_to_html()、export_to_dict()等方法JSON 导出是无损的可以存下来供后续流程反复使用。详细概念见 DoclingDocument 说明。图中左侧是DoclingDocument的结构化表示右侧是文档原文每个文本项都带有title、paragraph、section_header等语义标签——这正是导出 Markdown 时标题层级能保持正确的原因。两个进阶开关表格结构化提取与扫描版 OCR默认管线已经启用了 OCR 和表格结构识别但对不同文档你通常要显式控制这两项from docling.datamodel.base_models import InputFormat from docling.datamodel.pipeline_options import PdfPipelineOptions from docling.document_converter import DocumentConverter, PdfFormatOption options PdfPipelineOptions( do_ocrTrue, # 启用 OCR扫描版 PDF 必需 do_table_structureTrue, # 启用表格结构提取还原行列关系 ) converter DocumentConverter( format_options{InputFormat.PDF: PdfFormatOption(pipeline_optionsoptions)} ) result converter.convert(scanned_report.pdf)表格结构化提取把页面里的表格还原成带行列关系的结构导出 Markdown 时就是规整的表格而不是乱序文字。想进一步调整单元格匹配行为可以给options.table_structure_options配置do_cell_matching等参数完整配置示例见 custom_convert.py。如果文档本身就很复杂多栏混排、密集图表可以换用视觉语言模型管线让 VLM 端到端读图from docling.datamodel.base_models import InputFormat from docling.document_converter import DocumentConverter, PdfFormatOption from docling.pipeline.vlm_pipeline import VlmPipeline converter DocumentConverter( format_options{ InputFormat.PDF: PdfFormatOption(pipeline_clsVlmPipeline) # 改用 VLM 管线 } ) result converter.convert(complex_layout.pdf)可用的模型与框架Transformers、MLX见 视觉模型指南。避坑提示OCR 和公式、代码等增强功能每多开一项处理时间都会明显增加。官方建议按需启用只开你真正用到的功能。从解析结果到 RAG导出、切块与框架集成解析不是终点。DoclingDocument可以直接喂给主流 AI 框架LangChain / LlamaIndex / Haystack / Crew AI都有原生集成入口见 集成列表RAG 切块CLI 支持--chunks-type直接输出 JSONL 切块Python 里也有 HybridChunker、HierarchicalChunker 两种策略示例见 hybrid_chunking.ipynbJSON 序列化无损导出后可以落库下次处理直接从 JSON 恢复不必重跑管线如果文档量大还可以把 Docling 跑成服务API server即 docling-serve或通过 MCP server 接入 Agent部署方式见 API 服务文档。避坑四个高频问题旧版 .doc/.xls 打不开LibreOffice 格式的旧二进制 Office 文件需要系统安装 LibreOffice 才能解析新格式DOCX 等不需要OCR 速度远慢于纯文本提取文字层可靠的 PDF 可以关掉do_ocr甚至用force_backend_textTrue直接走 PDF 内嵌文本跳过版面模型生产环境要加超时保护官方建议通过document_timeout参数如 90–120 秒防止个别坏文档卡住整批任务手写体、重度模糊扫描件模型能力有边界这类文档建议保留人工复核环节置信度参考见 置信度评分概念从一条docling report.pdf命令开始跑通后再按上面两个进阶开关逐步加能力是最省心的上手顺序。更多用法见 快速上手指南 和 示例目录。【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考