docling-project/docling

解决的问题

Docling 简化了将多种复杂文档格式转换为适合生成式 AI 应用的结构化、机器可读格式的过程。它解决了 LLM 通常难以直接处理的高级 PDF 布局、表格以及多模态内容（如图像和音频）的解析难题。

工作原理

Docling 使用一种称为 DoclingDocument 的统一文档表示格式，解析多种文件类型——包括 PDF、Office 文档、HTML，甚至视频/音频文件——并将其导出为 Markdown 或 JSON 等格式。它利用 OCR 处理扫描文档，使用视觉语言模型（VLM）理解复杂布局，使用自动语音识别（ASR）处理音频/视频字幕。

适用人群

专为构建 AI 代理、RAG（检索增强生成）管道和文档处理工作流的开发者设计，适用于需要将非结构化文档转换为干净结构化数据的场景。

主要亮点

• 多模态解析：支持广泛的格式，包括 PDF、DOCX、PPTX、XLSX、HTML、EPUB、邮件格式，以及视频/音频文件。
• 高级 PDF 理解：可处理页面布局、阅读顺序、表格结构和公式。
• AI 生态系统集成：原生支持 LangChain、LlamaIndex、Crew AI 和 Haystack。
• 本地运行：可在本地运行，适用于敏感数据和离线环境（空气隔离）。
• 图表理解：将柱状图、饼图、折线图等转换为表格或代码，并附带详细描述。
• 灵活导出：支持导出为 Markdown、HTML、JSON，以及 USPTO 和 JATS 等特定 XML 模式。