docling-project/docling

解决的问题

Docling 简化了将多样且复杂的文件格式转换为适合生成式 AI 应用程序的结构化、机器可读格式的过程。它解决了解析高级 PDF 布局、表格以及通常难以从旧版文件格式中提取的多模态内容（如图像和音频）的挑战。

运作方式

Docling 使用称为 DoclingDocument 的统一表示格式来解析各种类型的文件（包括 PDF、Office 文档、图像，甚至是视频/音频文件），并将其导出为 Markdown、HTML 或 JSON 等格式。它利用诸如 GraniteDocling 之类的视觉语言模型 (VLM) 进行高级 PDF 理解（布局、阅读顺序和表格结构），并利用自动语音识别 (ASR) 进行音频和视频转录。

适用对象

它专为开发 AI 代理、RAG (Retrieval-Augmented Generation) 流水线以及需要摄取各种非结构化数据源的文档处理工作流的开发人员而设计。

特色亮点

• 广泛的格式支持：解析 PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、电子邮件格式以及视频/音频文件。
• 高级 PDF 分析：提取页面布局、阅读顺序、表格结构和公式。
• 多模态功能：包含用于扫描文档的 OCR、用于音频/视频的 ASR，以及将图表转换为表格或代码的图表理解功能。
• AI 生态系统集成：与 LangChain、LlamaIndex、Crew AI 和 Haystack 原生即插即用集成。
• 灵活部署：支持离线环境的本地执行、API 服务器以及 CLI。