文档解析一站式：用 Docling 把 PDF、Word、HTML 变成 AI 能直接读的结构化数据-开发者社区

文档解析一站式：用 Docling 把 PDF、Word、HTML 变成 AI 能直接读的结构化数据

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling

Docling 是一个开源文档解析工具，把 PDF、DOCX、HTML、XLSX 等二十多种格式统一解析成结构化文档对象，再导出为 Markdown、JSON 等格式，适合需要批量处理文档、搭建 RAG 检索或 AI 应用的开发者。如果每种格式的文档都要换一个工具处理，你最后得维护几套代码？Docling 的思路是把这件事收敛到一条流水线里：所有输入都先变成同一个DoclingDocument对象，下游只跟这个对象打交道。

能力清单：Docling 一次能做什么

先看它的能力边界，再决定要不要上手：

输入：PDF、Office 全家桶（DOCX/XLSX/PPTX 及旧版 DOC/XLS/PPT）、ODT/ODS/ODP、HTML、EPUB、LaTeX、Markdown、CSV、图片（PNG/JPEG/TIFF）、音频视频（需 ASR 扩展）、邮件（EML/MSG）等，完整列表见受支持格式说明
PDF 深度理解：版面分析、阅读顺序、表格结构提取、公式识别（转 LaTeX）、代码块识别、图像分类
输出：Markdown、HTML、无损 JSON、纯文本、WebVTT、DocTags，以及面向 RAG 的切块输出（JSONL）
运行方式：本地 CLI、Python API、视觉语言模型（VLM）管线，支持 Mac/Linux/Windows

图中从左到右是完整链路：多格式文档进入 Docling 后统一为{DOC}文档对象，再分别流向 JSON/Markdown 导出、切块与 LangChain/LlamaIndex 集成，以及你自己的生成式 AI 应用。

30 秒安装，一条命令完成 PDF 转 Markdown

安装只要一条命令，要求 Python 3.10 及以上：

pip install docling

装完直接进命令行，把一份 PDF 转成结构化 Markdown：

# 输出到当前目录的 .md 文件 docling report.pdf

想看看全部参数，运行docling --help，或者查 CLI 参考。对只想"把文件转一下"的场景，这一步就够用了。

三行 Python 示例：第一次文档解析

需要二次开发时，用 Python API。最小的可用示例如下：

from docling.document_converter import DocumentConverter source = "report.pdf" # 本地路径或 URL 都可以 result = DocumentConverter().convert(source) print(result.document.export_to_markdown())

result.document就是统一的DoclingDocument对象。除了export_to_markdown()，它还提供export_to_html()、export_to_dict()等方法，JSON 导出是无损的，可以存下来供后续流程反复使用。详细概念见 DoclingDocument 说明。

图中左侧是DoclingDocument的结构化表示，右侧是文档原文，每个文本项都带有title、paragraph、section_header等语义标签——这正是导出 Markdown 时标题层级能保持正确的原因。

两个进阶开关：表格结构化提取与扫描版 OCR

默认管线已经启用了 OCR 和表格结构识别，但对不同文档你通常要显式控制这两项：

from docling.datamodel.base_models import InputFormat from docling.datamodel.pipeline_options import PdfPipelineOptions from docling.document_converter import DocumentConverter, PdfFormatOption options = PdfPipelineOptions( do_ocr=True, # 启用 OCR，扫描版 PDF 必需 do_table_structure=True, # 启用表格结构提取，还原行列关系 ) converter = DocumentConverter( format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=options)} ) result = converter.convert("scanned_report.pdf")

表格结构化提取把页面里的表格还原成带行列关系的结构，导出 Markdown 时就是规整的表格，而不是乱序文字。想进一步调整单元格匹配行为，可以给options.table_structure_options配置do_cell_matching等参数，完整配置示例见 custom_convert.py。

如果文档本身就很复杂（多栏混排、密集图表），可以换用视觉语言模型管线，让 VLM 端到端读图：

from docling.datamodel.base_models import InputFormat from docling.document_converter import DocumentConverter, PdfFormatOption from docling.pipeline.vlm_pipeline import VlmPipeline converter = DocumentConverter( format_options={ InputFormat.PDF: PdfFormatOption(pipeline_cls=VlmPipeline) # 改用 VLM 管线 } ) result = converter.convert("complex_layout.pdf")

可用的模型与框架（Transformers、MLX）见视觉模型指南。

避坑提示：OCR 和公式、代码等增强功能每多开一项，处理时间都会明显增加。官方建议按需启用，只开你真正用到的功能。

从解析结果到 RAG：导出、切块与框架集成

解析不是终点。DoclingDocument可以直接喂给主流 AI 框架：

LangChain / LlamaIndex / Haystack / Crew AI都有原生集成，入口见集成列表
RAG 切块：CLI 支持--chunks-type直接输出 JSONL 切块，Python 里也有 HybridChunker、HierarchicalChunker 两种策略，示例见 hybrid_chunking.ipynb
JSON 序列化：无损导出后可以落库，下次处理直接从 JSON 恢复，不必重跑管线

如果文档量大，还可以把 Docling 跑成服务（API server，即 docling-serve），或通过 MCP server 接入 Agent，部署方式见 API 服务文档。

避坑：四个高频问题

旧版 .doc/.xls 打不开：LibreOffice 格式的旧二进制 Office 文件需要系统安装 LibreOffice 才能解析，新格式（DOCX 等）不需要
OCR 速度远慢于纯文本提取：文字层可靠的 PDF 可以关掉do_ocr，甚至用force_backend_text=True直接走 PDF 内嵌文本，跳过版面模型
生产环境要加超时保护：官方建议通过document_timeout参数（如 90–120 秒）防止个别坏文档卡住整批任务
手写体、重度模糊扫描件：模型能力有边界，这类文档建议保留人工复核环节，置信度参考见置信度评分概念

从一条docling report.pdf命令开始，跑通后再按上面两个进阶开关逐步加能力，是最省心的上手顺序。更多用法见快速上手指南和示例目录。

【免费下载链接】doclingGet your documents ready for gen AI项目地址: https://gitcode.com/GitHub_Trending/do/docling

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考