docling-project/docling

Docling – 快速概览

它做什么 – Docling是一个Python库和CLI，可以将各种文档（PDF、Word、幻灯片、电子表格、HTML、电子书、音频、视频、电子邮件等）转换为结构化的机器可读表示。它提取布局、表格、代码、公式、图像，甚至视频中的语音转文本，然后可以让您将结果导出为Markdown、HTML、JSON或DocLang和DocTags等专门格式。

为什么对AI很重要 – 输出被设计为直接输入生成式AI管道（LangChain、LlamaIndex、Crew AI、Haystack等）。通过本地处理OCR、视觉语言模型（VLM）分析和音频转录，Docling使开发人员无需将原始文件发送到云端即可构建检索增强生成（RAG）或代理型应用程序。

主要特点

• 广泛格式支持 – PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages/Numbers/Keynote、ODF、XBRL、电子邮件（EML/MSG）、图像、音频（WAV/MP3）、视频（MP4/AVI/MOV/…）等。
• 深度PDF理解 – 布局、阅读顺序、表格、代码块、公式、图像分类。
• 统一的DoclingDocument模型 – 一个保存提取结构和元数据的Python对象。
• 导出选项 – Markdown、HTML、无损JSON、DocLang、DocTags等。
• 本地优先 – 在macOS、Linux、Windows、x86_64/arm64上运行；无需外部服务，适合敏感数据。
• AI集成 – 针对LangChain、LlamaIndex、Crew AI、Haystack的现成适配器；可以插入IBM的Granite‑Docling等视觉语言模型。
• OCR和VLM – 针对扫描PDF/图像的内置OCR，以及针对视觉内容的可选VLM管道。
• 音频/视频 – 自动语音识别文本和关键帧提取。
• 服务器模式 – API服务器（docling-serve）和用于连接代理的MCP（多客户端协议）服务器。

典型工作流程

1. 使用pip install docling安装（Python ≥ 3.10）。
2. 使用CLI：docling <url-or-path> → 生成Markdown文件。
3. 在代码中，创建DocumentConverter，调用convert(source)，然后通过document.export_to_markdown()或其他格式导出。
4. 将结构化文档传递给基于LLM的RAG链或自主代理。

入门资源

• 实时文档：https://docling-project.github.io/docling/
• README中的快速入门CLI示例和Python片段。
• 文档的示例部分中的示例笔记本和用例配方。
• 社区：Discord、GitHub Discussions和Apache许可（MIT）代码库。

谁在背后 – 由IBM Research Zurich的AI-for-Knowledge团队发起，现在是Linux Foundation AI & Data项目。

---

总结

Docling是一个多功能的开源文档到结构化数据引擎，连接原始文件和生成式AI应用程序，支持大量格式、本地执行以及与流行LLM工具包的现成集成。