跳转到内容
逍遥自在轩

Docling - 开源琅嬛阁

docling-project/docling

Get your documents ready for gen AI

321
929
67,823
4.9k
github.com · docling-project/docling
知识管理开发工具自动化
官方主页 / 文档 在 GitHub 查看

项目介绍

Docling 是 IBM Research Zurich 发起、现由 LF AI & Data 基金会托管的文档解析库。它把 PDF、Office、网页、邮件、图片以及音视频收成统一的 DoclingDocument，再导出 Markdown、HTML、DocTags 或无损 JSON。版面、表格和 OCR 默认在本地推理，也可换成 GraniteDocling 等视觉语言模型，并直接接到 LangChain、LlamaIndex、Haystack 与 CrewAI。

核心特性

  • 多格式输入：PDF、DOCX、PPTX、XLSX、HTML、EPUB、LaTeX、Apple Pages、邮件（EML、MSG）、常见图片，以及 WAV、MP3 和 MP4 等音视频；另支持 USPTO、JATS、XBRL 等专用 XML
  • PDF 版面理解：阅读顺序、表格结构、代码、公式、图片分类，以及把柱状图、饼图、折线图转成表格或文字描述
  • 统一文档模型：中间表示是 DoclingDocument，可导出 Markdown、HTML、WebVTT、DocTags 和无损 JSON
  • 本地优先：模型可预下载后离线运行，适合敏感数据和隔离环境；把文档发给远程服务必须显式打开开关
  • 生成式 AI 接口：官方集成 LangChain、LlamaIndex、Haystack、CrewAI，并提供 CLI、MCP server 和 docling-serve API

对用户价值

论文、合同、财报和扫描件很难直接进检索或 Agent。Docling 把「版面理解 → 统一文档 → Markdown/JSON」收成一条可复现的本地流水线，比纯文本抽取更能保住表格和阅读顺序。需要数据不出内网的团队可以预下载模型后离线跑；要接 RAG 的团队不用自己写解析器，就能把结果交给 LangChain 或 LlamaIndex。代码本身是 MIT，模型权重的许可则以各原包为准。

与替代方案

  • 相比 Marker：两者都用本地模型处理复杂 PDF。Marker 更集中在高精度 Markdown/JSON，代码为 GPL-3.0，模型权重另有商业限制。Docling 代码为 MIT，格式面更宽（邮件、音视频、XBRL 等），并自带主流 Agent 框架集成。
  • 相比 Unstructured：Unstructured 更像通用文档 ETL 和连接器框架。Docling 把重心放在 DoclingDocument 和生成式 AI 导出。
  • 相比 LlamaParse 等云解析：云方案不用自己管模型，但文档会离开本机。Docling 默认可完全本地运行；要用远程视觉模型，必须自己打开 enable_remote_services。
  • 相比 anydoc：anydoc 不做 OCR 和版面模型，数字办公文档更快。扫描件、复杂版式和公式仍更适合 Docling。

适应人群

  • 要把论文、手册、合同批量转成 Markdown/JSON，再送进 RAG 或知识库的数据与应用工程师。
  • 希望在内网处理财报、邮件和扫描件，且不想把原文交给云解析服务的工程团队。
  • 正在 LangChain、LlamaIndex 或 Haystack 里接文档解析，想用一个本地库覆盖多种格式的开发者。

如何使用

前置条件

  • Python 3.10 及以上。docling 2.70.0 起已移除 Python 3.9
  • macOS、Linux 或 Windows，x86_64 与 arm64 均可
  • 首次转换需要联网下载模型；隔离环境可事先执行 docling-tools models download
  • 扫描件若改用 EasyOCR、Tesseract 等引擎，需另装对应 extra 或系统依赖

安装方式

Terminal window
pip install docling

使用 uv 时：

Terminal window
uv add docling

仅 CPU 的 Linux 环境，官方建议改用 PyTorch 的 CPU 轮子：

Terminal window
pip install docling --extra-index-url https://download.pytorch.org/whl/cpu

Intel Mac 上较新的 PyTorch 已不提供 x86_64 轮子，可安装兼容 extra（PyTorch 2.2.2 要求 Python 3.12 或更低）：

Terminal window
pip install "docling[mac_intel]"

首次运行

命令行转换一份在线 PDF，会在当前目录写出 Markdown：

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

Python（官方推荐）：

from docling.document_converter import DocumentConverter


source = "https://arxiv.org/pdf/2408.09869"  # 本地路径或 URL
converter = DocumentConverter()
result = converter.convert(source)
print(result.document.export_to_markdown())

可选：用 GraniteDocling 视觉语言模型管道：

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

验证是否成功

  • CLI 结束后，当前目录应出现一份 .md，内容是结构化正文
  • 上面的 Python 示例会打印以 ## Docling Technical Report 开头的 Markdown
  • 运行 docling --help 可看到管道、OCR 与输出格式选项

常见坑 / 注意事项

  • 首次会下模型：默认下载到 $HOME/.cache/docling/models。离线使用先跑 docling-tools models download，再用 docling --artifacts-path 或环境变量 DOCLING_ARTIFACTS_PATH
  • 远程服务默认关闭：未设置 enable_remote_services=True 时，把文档发给外部视觉模型会抛出 OperationNotAllowed
  • OCR 不是装完即用全家桶：EasyOCR、RapidOCR、Tesseract 等要额外安装。Tesseract 还需系统包，以及以 / 结尾的 TESSDATA_PREFIX
  • PDF 标题层级：版面模型默认把标题都标成一级。需要层级时，再打开官方文档中的 heading hierarchy
  • 许可分开看：仓库代码是 MIT；各个模型权重遵循其原始许可