docling-project/docling-parse

解决的问题

Docling Parse 是一个专门用于从程序生成的 PDF 中提取结构化数据的工具。它解决了准确获取文本、路径和位图图像及其精确空间坐标的问题，这对于高保真文档布局分析和转换至关重要。

工作原理

该库提供了一个 PDF 解析器，可按不同粒度（字符、单词、行）提取内容。它采用两部分配置系统：

• DecodeConfig：处理运行时调优以及页面的处理方式。
• ContentConfig：决定每页需要计算和生成哪些特定元素（如单词、行或位图）。

支持顺序解析以处理简单任务，也提供多线程解析器（DoclingThreadedPdfParser）用于高吞吐量处理多个 PDF，并具备背压管理功能。

适用人群

此工具专为构建文档处理流水线的开发者设计，尤其适用于 PDF 转换、RAG（检索增强生成）系统，或任何需要基于精确坐标提取 PDF 内容的应用程序。

主要亮点

• 细粒度提取：支持字符、单词和行级别的文本提取。
• 坐标感知：为所有提取的文本和图像提供精确坐标。
• 高性能：包含多线程解析器，支持大规模文档集的并行处理。
• 灵活的实体化：允许用户按页面跳过或生成特定内容类型，以优化内存和速度。
• C++ 核心：基于 C++ 后端实现以保证效率，通过 Pybind11 提供 Python 绑定。