Docling：支持复杂PDF结构的文档解析库，集成主流AI框架

Docling 通过解析多种格式的文档（包括高级 PDF 理解能力），简化文档处理流程，并无缝对接生成式 AI 生态系统。

🗂️ 解析多种文档格式：PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、WAV、MP3、WebVTT、Box Notes、邮件格式（EML、MSG）、图片（PNG、TIFF、JPEG …）、LaTeX、DocLang、纯文本等

📑 高级 PDF 理解能力：页面布局、阅读顺序、表格结构、代码、公式、图片分类等

🧬 统一的、表达力强的 DoclingDocument 表示格式

↪️ 多种导出格式和选项，包括 Markdown、HTML、WebVTT、DocLang、DocTags 和无损 JSON

📜 支持多种应用特定的 XML 模式，包括 DocLang、美国专利局专利、JATS 期刊文章和 XBRL 财务报告

🔒 敏感数据和 air-gapped 环境下的本地执行能力

🤖 插件式集成：LangChain、LlamaIndex、Crew AI 和 Haystack，用于 Agentic AI

🔍 对扫描版 PDF 和图片的广泛 OCR 支持

👓 支持多种视觉语言模型，如 GraniteDocling

🎙️ 音频支持，配备自动语音识别（ASR）模型

🔌 使用 MCP server 连接任意 Agent

🌐 使用 API server（docling-serve）以服务方式运行 Docling

💻 简洁易用的 CLI

🎬 视频文件解析（MP4、AVI、MOV、MKV 和 WebM），附带 ASR 字幕和代表性关键帧

📄 ODF（OpenDocument Format）文件解析，支持文本文档（.odt）、电子表格（.ods）和演示文稿（.odp）

💼 XBRL（eXtensible Business Reporting Language）文档解析，用于财务报告

📧 邮件文件解析（.eml、.msg）

📚 EPUB（Electronic Publication）文件解析，用于电子书

🍎 Apple Pages（.pages）文档解析，支持容器格式（Pages 5+ 和 iWork '09）

📝 纯文本文件（.txt、.text）和 Markdown 超集（.qmd、.Rmd）解析

📊 图表理解（Barchart、Piechart、LinePlot）：将其转换为表格或代码，并添加详细描述

📝 元数据提取，包括标题、作者、引用和语言

📝 复杂化学理解（分子结构）

pip install docling

注意：Python 3.9 支持在 docling 2.70.0 版本中被移除。请使用 Python 3.10 或更高版本。

支持 macOS、Linux 和 Windows 环境，兼容 x86_64 和 arm64 架构。

更详细的安装说明请参阅文档。

2. 转换文档（CLI）

docling https://arxiv.org/pdf/2206.01062

这会在当前目录生成一个 .md 文件，包含结构化的文档内容。

你也可以通过 Docling CLI 使用 🥚GraniteDocling 和其他 VLM：

docling --pipeline vlm --vlm-model granite_docling https://arxiv.org/pdf/2206.01062

3. Python 用法（推荐）

from docling.document_converter import DocumentConverter

source = "https://arxiv.org/pdf/2408.09869"  # 文档路径或 URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())  # 输出: "## Docling Technical Report[...]"

更高级的用法和配置选项。

查看 Docling 文档以了解安装、用法、概念、方案、扩展等更多细节。

通过我们的示例进行实践操作，展示如何用 Docling 处理不同的应用场景。

如需进一步加速 AI 应用开发，请查看 Docling 与流行框架和工具的原生集成。

欢迎通过讨论区与我们联系。

如需了解更多关于 Docling 内部工作原理的信息，请参阅 Docling Technical Report。

详细参与方式请阅读 Contributing to Docling。

如果你在项目中使用 Docling，请引用以下内容：

@techreport{Docling,
  author = {Deep Search Team},
  month = {8},
  title = {Docling Technical Report},
  url = {https://arxiv.org/abs/2408.09869},
  eprint = {2408.09869},
  doi = {10.48550/arXiv.2408.09869},
  version = {1.0.0},
  year = {2024}
}

Docling 代码库采用 MIT 协议许可。对于各个模型的使用，请参阅原始包中的模型许可。

Docling 作为项目托管于 LF AI & Data Foundation。

IBM ❤️ 开源 AI

本项目由 IBM Research Zurich 的 AI for knowledge 团队发起。