drmingler/docling-api

解决的问题

该项目提供了一个可扩展的后端服务器，可将多种文档格式（包括 PDF、DOCX、PPTX、CSV、HTML、图像和 AsciiDoc）转换为 Markdown。它解决了大规模高效处理复杂文档的问题，为单个和批量转换提供了强大的 API。

工作原理

该服务器由 IBM 的 Docling 解析器驱动。采用分布式架构，包括用于 REST API 的 FastAPI 应用、用于处理任务的 Celery 工作进程，以及作为消息代理和结果后端的 Redis。系统支持同步（即时）和异步（任务追踪）转换模式，并可针对 CPU 或 GPU 加速处理进行优化。

适用人群

需要将大量不同类型的文档转换为干净的 Markdown 格式以供进一步处理的开发者和组织，例如用于 LLM 流水线或数据提取任务。

主要亮点

• 广泛格式支持：支持 PDF、DOCX、PPTX、HTML、图像（JPG、PNG、TIFF、BMP）、AsciiDoc 和 CSV。
• 高性能处理：为生产环境提供 GPU 加速，并通过 Celery 工作进程实现水平扩展。
• 灵活的 API：支持同步的单个/批量转换以及可追踪的异步任务。
• 高级提取功能：包含表格检测、图像提取和多语言 OCR 支持。
• 监控功能：集成 Flower 仪表板，用于追踪任务状态和工作进程性能。