docling-project/docling-parse

解決的問題

Docling Parse 是專為從程式生成的 PDF 中提取結構化資料而設計的工具。它解決了準確取得文字、路徑與位圖影像及其精確空間座標的問題，這對於高保真文件版面分析與轉換至關重要。

作法說明

此套件提供一個 PDF 解析器，可依不同細緻程度（字元、單字、行）提取內容。採用兩階段設定系統：

• DecodeConfig：處理執行時調校與頁面處理方式。
• ContentConfig：決定每頁需計算與實體化的特定元素（如單字、行或位圖）。

支援順序解析以處理簡單任務，也提供多執行緒解析器（DoclingThreadedPdfParser）以高吞吐量處理多個 PDF，並具備背壓管理功能。

適用對象

此工具專為開發文件處理流程的開發者設計，特別適用於 PDF 轉換、RAG（檢索增強生成）系統，或任何需要基於精確座標提取 PDF 內容的應用程式。

主要特色

• 細粒度提取：支援字元、單字與行級別的文字提取。
• 座標感知：為所有提取的文字與影像提供精確座標。
• 高效率：內建多執行緒解析器，支援大規模文件集的平行處理。
• 彈性實體化：允許使用者依頁面跳過或實體化特定內容類型，以優化記憶體與速度。
• C++ 核心：以 C++ 後端建構以確保效率，並透過 Pybind11 提供 Python 繫結。