docling-project/docling

Docling – クイック概要

機能 – Doclingは、あらゆる種類のドキュメント（PDF、Word、スライド、スプレッドシート、HTML、電子書籍、音声、動画、メールなど）を構造化された機械可読な表現に変換するPythonライブラリおよびCLIです。レイアウト、テーブル、コード、数式、画像、さらには動画からの音声文字起こしを抽出し、結果をMarkdown、HTML、JSON、またはDocLangやDocTagsなどの特殊な形式でエクスポートできます。

AIにとって重要な理由 – 出力は、生成AIパイプライン（LangChain、LlamaIndex、Crew AI、Haystackなど）に直接供給されるように設計されています。OCR、視覚言語モデル（VLM）分析、音声文字起こしをローカルで処理することで、Doclingは生ファイルをクラウドに送信することなく、検索拡張生成（RAG）やエージェント型アプリケーションを開発できます。

主な機能

• 幅広いフォーマット対応 – PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages/Numbers/Keynote、ODF、XBRL、メール（EML/MSG）、画像、音声（WAV/MP3）、動画（MP4/AVI/MOV/…）など。
• 高度なPDF理解 – レイアウト、読み順、テーブル、コードブロック、数式、画像分類。
• 統一されたDoclingDocumentモデル – 抽出された構造とメタデータを保持する単一のPythonオブジェクト。
• エクスポートオプション – Markdown、HTML、可逆JSON、DocLang、DocTagsなど。
• ローカルファースト – macOS、Linux、Windows、x86_64/arm64で動作。外部サービス不要で、機密データに適しています。
• AI統合 – LangChain、LlamaIndex、Crew AI、Haystack用の既製アダプター。IBMのGranite‑Doclingなどの視覚言語モデルをプラグインできます。
• OCRとVLM – スキャンされたPDF/画像用の組み込みOCRと、視覚コンテンツ用のオプションのVLMパイプライン。
• 音声/動画 – 自動音声認識による文字起こしとキーフレーム抽出。
• サーバーモード – APIサーバー（docling-serve）と、エージェントに接続するためのMCP（マルチクライアントプロトコル）サーバー。

典型的なワークフロー

1. pip install docling でインストール（Python 3.10以上）。
2. CLIを使用: docling <url-or-path> → Markdownファイルが生成されます。
3. コードでは、DocumentConverterを作成し、convert(source)を呼び出し、document.export_to_markdown()などの形式でエクスポートします。
4. 構造化ドキュメントをLLMベースのRAGチェーンまたは自律エージェントに渡します。

入門リソース

• ライブドキュメント: https://docling-project.github.io/docling/
• READMEのクイックスタートCLI例とPythonスニペット。
• ドキュメントのexamplesセクションのサンプルノートブックとユースケースレシピ。
• コミュニティ: Discord、GitHub Discussions、Apacheライセンス（MIT）のコードベース。

背景 – IBM Research ZurichのAI-for-Knowledgeチームによって開始され、現在はLinux Foundation AI & Dataプロジェクトです。

---

TL;DR

Doclingは、生ファイルと生成AIアプリケーションを橋渡しする、多用途でオープンソースのドキュメントから構造化データへのエンジンです。膨大な形式のサポート、ローカル実行、人気のLLMツールキットとの既製統合を提供します。