docling-project/docling

解決的問題

Docling 簡化了將多樣且複雜的文件格式轉換為適合生成式 AI 應用的結構化、機器可讀格式的流程。它解決了 LLM 通常難以直接處理的高階 PDF 排版、表格以及多模態內容（如影像與音訊）的解析挑戰。

作法原理

Docling 使用稱為 DoclingDocument 的統一文件表示格式，解析多種檔案類型——包括 PDF、Office 文件、HTML，甚至影片/音訊檔案——並導出為 Markdown 或 JSON 等格式。它利用 OCR 處理掃描文件，使用視覺語言模型（VLM）理解複雜排版，並以自動語音辨識（ASR）處理音訊/影片字幕。

適用對象

專為開發 AI 代理、RAG（檢索增強生成）管道與文件處理工作流程的開發者設計，適用於需要將非結構化文件轉換為乾淨結構化資料的場景。

主要亮點

• 多模態解析：支援廣泛的格式，包括 PDF、DOCX、PPTX、XLSX、HTML、EPUB、郵件格式，以及影片/音訊檔案。
• 高階 PDF 理解：可處理頁面排版、閱讀順序、表格結構與公式。
• AI 生態系整合：原生支援 LangChain、LlamaIndex、Crew AI 與 Haystack。
• 本地執行：可在本地執行，適用於敏感資料與離線環境（空氣隔離）。
• 圖表理解：將長條圖、圓餅圖、折線圖等轉換為表格或程式碼，並附上詳細描述。
• 彈性匯出：支援匯出為 Markdown、HTML、JSON，以及 USPTO 與 JATS 等特定 XML 模式。