docling-project/docling-parse

Docling Parse – 快速、可配置的 PDF 提取

是什么 – 一个带有 C++ 核心的 Python 包，用于解析 PDF 文件并返回结构化文本、单词和行级别的单元格、矢量形状和位图图像及其坐标。它是更广泛的 Docling PDF 到结构化数据管道的底层引擎。

为何重要 – 现代基于 LLM 的工作流通常需要从 PDF 中获取干净、带位置信息的文本和嵌入式图形（如研究论文、合同、手册等）。Docling Parse 提供了一种高性能、线程安全的方式来获取这些数据，使下游 AI 模型能够处理精确的布局信息，而非原始字符串。

主要特性

• 两阶段配置 – DecodeConfig（页面解码方式）在打开时固定；ContentConfig（要计算或实例化的数据）可按页面更改，实现低成本初始加载和按需更丰富的重解析。
• 细粒度输出级别 – 可选择跳过、计算或实例化字符、单词、行、矢量形状和位图图像。
• 顺序和多线程解析器 – DoclingPdfParser 用于单线程使用；DoclingThreadedPdfParser 用于带背压控制的并行处理。
• 通过 pybind11 的 C++ 核心 – 高速解析和渲染；以纯 Python API 暴露。
• 渲染支持 – 通过 Blend2D/FreeType 将页面渲染为图像，可通过环境变量设置可复现的字体回退。
• CLI 工具 – docling-parse 用于快速命令行提取。
• 基准测试 – 包含与其它 PDF 库的速度/质量对比脚本和报告。

典型工作流

from docling_parse.pdf_parser import (
    DoclingPdfParser, DecodeConfig, ContentConfig, ContentLevel
)

parser = DoclingPdfParser(loglevel="fatal")
pdf = parser.load(
    path_or_stream="mydoc.pdf",
    decode_config=DecodeConfig(do_sanitization=True, keep_glyphs=False),
    content_config=ContentConfig(
        char_cells_content_level=ContentLevel.SKIP,
        word_cells_content_level=ContentLevel.COMPUTE_AND_MATERIALIZE,
        line_cells_content_level=ContentLevel.COMPUTE_AND_MATERIALIZE,
    ),
)

for page_no, page in pdf.iterate_pages():
    for word in page.iterate_cells(unit_type=TextCellUnit.WORD):
        print(page_no, word.rect, word.text)
    # 可选图像渲染
    img = page.render_as_image(cell_unit=TextCellUnit.WORD)
    img.show()

如果之后需要更丰富的数据，调用 pdf.get_page(page_no, content_config=…)，库将自动重新解码该页面。

安装

pip install docling-parse   # 获取预构建的轮子（C++ 二进制）

开发时，可使用 CMake 构建 C++ 部分，或按 README 描述使用 uv 工具链。

何时使用

• 准备 LLM 输入的 PDF，其中布局很重要（表格、多栏文本、图表）。
• 为下游视觉模型提取图像或矢量图形。
• 高吞吐量批量处理大型文档集合（得益于多线程解析器）。
• 需要在多台机器上实现确定性渲染的情况 – 设置 DOCLING_PARSE_*_FALLBACK_FONT 环境变量。

链接

• PyPI: https://pypi.org/project/docling-parse/
• 源码: https://github.com/docling-project/docling-parse
• 相关项目（高层转换）: https://github.com/docling-project/docling
• LF AI & Data Foundation 页面: https://lfaidata.foundation/projects/

---

Docling Parse 是一个 MIT 许可、由 IBM 发起的开源库，专注于 PDF 解析而非模型训练或推理，但在需要结构化文档数据的 AI 管道中扮演着关键角色。